-
公开(公告)号：CN111767388B
公开(公告)日：2023-07-04
申请号：CN202010840921.4
申请日：2020-08-20
Applicant: 北京理工大学
IPC: G06F16/332 , G06F16/33 , G06F16/36 , G06F40/253 , G06F40/284 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种候选池生成方法，属于知识图谱问答技术领域。针对候选池生成，本发明提供了一种非严格N元语法字符串匹配方法，依次通过对主语相关短语在知识图谱进行完全匹配、部分匹配、降低主语相关短语后继续匹配的方式，在知识图谱中查找匹配节点构建候选池，在降低候选池规模的同时有效提高了实体召回率；进一步的，基于上述候选池生成方法，提供一种简单问答系统的实现方法，提高了问答系统的鲁棒性和准确率；此外，本发明又进一步对简单问答系统的谓词抽取方法进行改进，进一步提高了问答系统的准确率和效率。对比现有技术，本发明提出的上述方法，以更少的资源，更简单的算法过程提高了问答系统的鲁棒性和准确率。
-
公开(公告)号：CN111506835B
公开(公告)日：2022-12-23
申请号：CN202010306982.2
申请日：2020-04-17
Applicant: 北京理工大学
IPC: G06F16/9537 , G06F16/9535 , G06K9/62
Abstract: 本发明涉及一种融合用户时间特征和个性特征的数据特征提取方法，属于人工智能技术领域；本发明基于多用户的批量时序数据，通过时间卷积神经网络建模数据的序列关系，同时引入时间通道和个性特征通道注意力机制自动选择与预测下一个数据点所密切相关的数据特征，从而获取用户的综合数据特征，在此基础上，可以利用现有神经网络模型提供基于用户历史习惯的相关服务。对比现有技术，本发明有效解决了传统神经网络模型在使用数据时效率低下的问题，通过时间通道和个性特征通道两种注意力机制，强调了时间信息和用户个性对于特征提取的重要性，提高了特征提取的有效性。
-
公开(公告)号：CN111506835A
公开(公告)日：2020-08-07
申请号：CN202010306982.2
申请日：2020-04-17
Applicant: 北京理工大学
IPC: G06F16/9537 , G06F16/9535 , G06K9/62
Abstract: 本发明涉及一种融合用户时间特征和个性特征的数据特征提取方法，属于人工智能技术领域；本发明基于多用户的批量时序数据，通过时间卷积神经网络建模数据的序列关系，同时引入时间通道和个性特征通道注意力机制自动选择与预测下一个数据点所密切相关的数据特征，从而获取用户的综合数据特征，在此基础上，可以利用现有神经网络模型提供基于用户历史习惯的相关服务。对比现有技术，本发明有效解决了传统神经网络模型在使用数据时效率低下的问题，通过时间通道和个性特征通道两种注意力机制，强调了时间信息和用户个性对于特征提取的重要性，提高了特征提取的有效性。
-
公开(公告)号：CN108024205B
公开(公告)日：2020-07-24
申请号：CN201711026294.5
申请日：2017-10-27
Applicant: 北京理工大学
Abstract: 本发明涉及基于深度学习的车联网移动广告传播方法，属于车载自组织网络技术领域。在移动广告的信息传播过程中，种子车辆发挥着及其重要的作用。本发明提出了如何为移动广告技术找到最优的种子车辆的方法，以达到最大的覆盖率和最大的影响力。本发明根据大量已有的车辆的GPS信息，计算车辆在不同广告有效期的节点中心性，并基于车辆在前后不同广告有效期的节点中心性训练深度神经网络，然后使用该训练好的深度神经网络基于当前广告有效期的节点中心性预测车辆在下一广告有效期的节点中心性，并进而选取其中具有较大节点中心性的车辆作为种子节点进行广告的传播。对比现有技术，本发明提高了车辆在移动广告传播中的效率，节约了资源。
-
公开(公告)号：CN109036553A
公开(公告)日：2018-12-18
申请号：CN201810860468.6
申请日：2018-08-01
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于自动抽取医疗专家知识的疾病预测方法，属于智能医疗技术领域；首先根据历史诊断记录数据构建疾病关系网络，在该网络上使用神经网络模型对疾病实体间具有的显式和隐式相关性分别计算疾病特征向量，并通过疾病特征向量计算疾病之间的相关性矩阵作为医疗专家知识；其次，设计基于深度学习的疾病预测模型，通过降噪自编码器栈模型将病人的原始医学指标数据降维，并作为多标签疾病预测模型的输入数据来预测病人的潜在疾病；最后，在模型的参数学习部分，使用第一步中自动提取的疾病相似度矩阵作为医疗背景约束条件，让算法学习模型的最优参数，并将发病概率较高的疾病作为预测结果。对比现有技术，本发明提高了疾病预测准确率。
-
Patent Agency Ranking
公开(公告)号：CN108024205A
公开(公告)日：2018-05-11
申请号：CN201711026294.5
申请日：2017-10-27
Applicant: 北京理工大学
Abstract: 本发明涉及基于深度学习的车联网移动广告传播方法，属于车载自组织网络技术领域。在移动广告的信息传播过程中，种子车辆发挥着及其重要的作用。本发明提出了如何为移动广告技术找到最优的种子车辆的方法，以达到最大的覆盖率和最大的影响力。本发明根据大量已有的车辆的GPS信息，计算车辆在不同广告有效期的节点中心性，并基于车辆在前后不同广告有效期的节点中心性训练深度神经网络，然后使用该训练好的深度神经网络基于当前广告有效期的节点中心性预测车辆在下一广告有效期的节点中心性，并进而选取其中具有较大节点中心性的车辆作为种子节点进行广告的传播。对比现有技术，本发明提高了车辆在移动广告传播中的效率，节约了资源。
-
公开(公告)号：CN103906077A
公开(公告)日：2014-07-02
申请号：CN201410144154.8
申请日：2014-04-11
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于近邻传播算法的路侧单元放置方法，包括以下步骤：首先根据交通场景建立路网模型；接下来建立数学模型：参考车流密度、车速、距离等因素定义影响因子，将路侧单元放置问题转化为聚类问题并定义相应的目标函数；然后获取车辆轨迹信息，根据车辆轨迹信息求出影响因子；最后利用近邻传播算法优化目标函数，得到最优放置路侧单元的交叉路口集合。本发明方法充分利用交通状况信息通过近邻传播算法来寻找最优的路侧单元放置位置，在这些位置放置路侧单元会使得网络数据包的投递率显著提升，评估结果也表明该方法的有效性。除此之外，本发明提出的方法时间复杂度很小，可以很快收敛。
-
公开(公告)号：CN115982477A
公开(公告)日：2023-04-18
申请号：CN202211552518.7
申请日：2022-12-05
Applicant: 北京电子工程总体研究所 , 北京理工大学
IPC: G06F16/9537 , G06F16/958 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于时空信息表示的下一兴趣点推荐方法，涉及推荐技术领域，包括：个性化签到时间戳的月、周、日、小时四种粒度的周期信息，采用注意力机制计算得到时刻t对于用户的时间个性化表示，根据所述时间个性化表示、时间编码表示及用户签到兴趣点的嵌入式表示，计算用户签到序列的嵌入式表示，并结合签到序列局部信息因果卷积增强后的嵌入式表示、空间关系的嵌入式表示计算新的签到序列表示，以此计算用户在时刻t对兴趣点的偏好。本发明设计了个性化的多粒度周期表示，计算签到之间的注意力时考虑时间间隔与地理距离的表示以在建模用户长期偏好时利用时空信息，利用因果卷积进行局部信息增强以提高下一兴趣点推荐性能。
-
公开(公告)号：CN115935065A
公开(公告)日：2023-04-07
申请号：CN202211552568.5
申请日：2022-12-05
Applicant: 北京理工大学
IPC: G06F16/9535 , G06F18/26 , G06N3/0442
Abstract: 本发明公开了一种基于时空幂律注意力的下一兴趣点推荐方法，涉及推荐系统领域，本发明首先捕获用户签到序列的短期偏好；计算时间间隔幂律分布，作为两次签到之间的相关程度；计算地理距离幂律分布，利用其衰减来衡量历史签到与当前签到之间的权重；计算时空幂律注意力，利用其决定历次签到状态对当前状态影响程度的大小；跟据用户访问过的兴趣点的表示及其访问频率来表征所述用户u；结合所述短期偏好、长期偏好及用户表示，通过神经网络预测下一兴趣点有益效果是：利用各次签到之间的时间间隔和地理距离的幂律衰减性质提出时空幂律注意力建模用户的长期偏好，在建模中考虑非连续签到之间的时空关系，提高了下一兴趣点推荐的效果。
-
公开(公告)号：CN115827974A
公开(公告)日：2023-03-21
申请号：CN202211552543.5
申请日：2022-12-05
Applicant: 北京理工大学
IPC: G06F16/9535 , G06F16/9537 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于时空信息表示的下一兴趣点推荐系统，涉及推荐技术领域，包括时间个性化模块，得到所述时刻t对于所述用户u的时间个性化表示Tu(t)；时间编码模块，得到时间编码表示Φ(t；用户签到序列模块，以所述Tu(t)、所述Φ(t及用户u签到兴趣点的嵌入式表示为输入，计算用户签到序列的嵌入式表示Su；因果卷积增强模块；用户u新的签到序列模块，计算所述用户u新的签到序列表示Zu；输出模块。本发明设计了个性化的多粒度周期表示，计算签到之间的注意力时考虑时间间隔与地理距离的表示以在建模用户长期偏好时利用时空信息，利用因果卷积进行局部信息增强以提高下一兴趣点推荐性能。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.025 seconds)
