-
公开(公告)号：CN104549314A
公开(公告)日：2015-04-29
申请号：CN201510025048.2
申请日：2015-01-19
Applicant: 南京大学连云港高新技术研究院
IPC: B01J23/83 , C07C211/06 , C07C209/16
Abstract: 本发明公开了一种用于制备异丙胺的催化剂及其制备方法。该催化剂包括载体、活性组分和助剂，所述活性组分为Cu和Ni，其质量占催化剂总量的12%-56%；所述助剂为Mg、Zn和La中的至少一种，其质量占催化剂总量的2%-10%。本发明在镍基催化剂中加入Cu或Mg或Zn或少量的La可以显著地提高异丙醇转化为异丙胺的选择性。催化剂的催化性能好，成本低，稳定性好，有良好的商业应用前景。
-
公开(公告)号：CN102420827B
公开(公告)日：2014-04-23
申请号：CN201110414440.8
申请日：2011-12-13
Applicant: 南京大学
Abstract: 面向智能移动平台的Web服务推送方法，Web服务推送通过数据交换管程、服务代理和SOAP推送协议三个部分实现，数据交换管程运行在智能移动平台上，作为智能移动平台上应用程序的数据收发媒介和管理者；服务代理运行在服务器上，将Web应用封装成Web服务，并以数据推送方式向数据管程提供更新；SOAP推送协议作为数据交换管程和服务代理之间的通信协议。本发明提供了一种融合了服务代理、数据交换管程以及SOAP推送协议的技术，能够面向智能移动平台进行Web服务的主动推送。
-
公开(公告)号：CN103678618A
公开(公告)日：2014-03-26
申请号：CN201310695891.2
申请日：2013-12-17
Applicant: 南京大学
IPC: G06F17/30
CPC classification number: G06F17/30867 , G06Q50/01
Abstract: 一种基于社交网络平台的Web服务推荐方法，将Web服务分成不同的服务类，在社交网络中获取用户的基本信息，取一部分用户作为训练用户，得到用户感兴趣的服务类，并据此建立用户-服务类矩阵，然后根据用户-服务类矩阵对用户进行聚类，得到不同的用户兴趣类，对于社交网络中需要进行Web服务推荐的新用户，根据用户兴趣类进行推荐。本发明首先对Web服务进行主题提取，通过将Web服务映射为Web服务类，实现对用户-服务矩阵进行降维，然后通过从社交网络中提取用户的基本信息和兴趣标签，充分利用标签信息和语义信息来解决词语同义问题，再结合通过分析已有用户的历史访问记录得到的聚类结果，对新用户进行Web服务推荐。
-
公开(公告)号：CN113076127B
公开(公告)日：2023-08-29
申请号：CN202110449778.0
申请日：2021-04-25
Applicant: 南京大学
IPC: G06F8/70 , G06F16/33 , G06F16/332 , G06F16/34 , G06F40/211 , G06F40/295
Abstract: 本发明公开编程环境下问答内容的提取方法、系统、电子设备及介质，所述系统包括：数据处理模块，用于执行：对输入的网络问答文本数据进行预处理，去除无用信息并进行分词；实体识别模块，用于执行：对经过所述数据处理模块处理后的文本进行软件工程领域的实体识别；文档读取模块，用于执行：将经过所述实体识别模块识别后的文本输入神经网络进行文档读取；摘要抽取模块，用于执行：利用另一个神经网络抽取出问答文本中的关键内容。本发明能将技术问答中的关键内容提取出来，减少开发人员浏览时间，提高编程现场开发效率。
-
公开(公告)号：CN113076133A
公开(公告)日：2021-07-06
申请号：CN202110449761.5
申请日：2021-04-25
Applicant: 南京大学
IPC: G06F8/73 , G06F16/33 , G06F40/289
Abstract: 本发明公开基于深度学习的Java程序内部注释的生成方法及系统，所述方法包括如下步骤：获取Stars数排名靠前的项目，提取出对应的内部注释和方法语句列表；得到： 对；选择Verb‑dobj形式的注释；得到和目标代码段相关联的代码上下文；对注释、目标代码以及上下文进行预处理，得到： 组成的三元组数据集；对构建的数据集随机划分成训练集、验证集和测试集，同时构建编码器解码器网络；划分中的训练集用于模型训练，并且通过在验证集上进行评估，得到在验证集上效果最好的模型作为目标模型；用获得的目标模型对测试集中的数据进行预测，生成预测的注释。
-
Patent Agency Ranking
公开(公告)号：CN113076127A
公开(公告)日：2021-07-06
申请号：CN202110449778.0
申请日：2021-04-25
Applicant: 南京大学
IPC: G06F8/70 , G06F16/33 , G06F16/332 , G06F16/34 , G06F40/211 , G06F40/295
Abstract: 本发明公开编程环境下问答内容的提取方法、系统、电子设备及介质，所述系统包括：数据处理模块，用于执行：对输入的网络问答文本数据进行预处理，去除无用信息并进行分词；实体识别模块，用于执行：对经过所述数据处理模块处理后的文本进行软件工程领域的实体识别；文档读取模块，用于执行：将经过所述实体识别模块识别后的文本输入神经网络进行文档读取；摘要抽取模块，用于执行：利用另一个神经网络抽取出问答文本中的关键内容。本发明能将技术问答中的关键内容提取出来，减少开发人员浏览时间，提高编程现场开发效率。
-
公开(公告)号：CN107844414A
公开(公告)日：2018-03-27
申请号：CN201610854844.1
申请日：2016-09-21
Applicant: 南京大学
IPC: G06F11/36
CPC classification number: G06F11/3692 , G06F11/3696
Abstract: 本发明为一种基于缺陷报告分析的跨项目、并行化缺陷定位方法：首先收集相关的项目及其源代码和缺陷报告，对源代码和缺陷报告分别进行分词、去除停用词、提取词干等文本处理工作；然后采用空间向量模型方法和主题模型方法计算缺陷报告和项目中源代码文件的字词相似度和语义相似度，以改善定位精度；并采用并行化方法来加快计算速度、提升效率；最后采用时间和加速比评估采用并行化方法对缺陷定位和传统串行化方法所提高的时间性能，Top-k准确率(Accuracy@k)和序位倒数均值(MRR)评估采用空间向量模型和主题模型对缺陷定位效果的精度。
-
公开(公告)号：CN105251482A
公开(公告)日：2016-01-20
申请号：CN201510661688.2
申请日：2015-10-14
Applicant: 南京大学连云港高新技术研究院
Abstract: 本发明公开了一种苯甲酸加氢合成环己基甲酸的钌钯/炭催化剂，所述的催化剂包括炭材料载体、活性组分金属元素Ru纳米粒子和助剂金属元素Pd纳米粒子。其中，Ru纳米粒子的负载量为0.5％-8.0％，所述的Pd纳米粒子的负载量为0.05％-2.0％。本发明还公开了钌钯/炭催化剂的制备方法，首先制备炭材料载体，然后负载活性组分钌及助剂钯，得到催化剂前体，最后将催化剂前体进行干燥还原。本发明的催化剂避免了钯的大量使用，同时具有高的反应活性、选择性和稳定性，且可循环使用，显著降低生产成本。采用本发明的催化剂应用于苯甲酸催化加氢合成环己基甲酸，原料转化率100％，目标产物的纯度可大于99.5％，工艺条件温和，设备简单，无三废排放，容易实现工业化。
-
公开(公告)号：CN102521131A
公开(公告)日：2012-06-27
申请号：CN201110413590.7
申请日：2011-12-13
Applicant: 南京大学
IPC: G06F11/36
Abstract: 一种基于动态基本块的测试用例约简方法，首先根据执行路径构建语句覆盖矩阵，然后将语句覆盖矩阵转换为动态基本块覆盖矩阵，通过最大划分策略MDS和均匀划分策略EDS两种简约策略约简需要人工检查结果的测试用例集来节约人力，再将约简后的测试用例集用于缺陷定位。本发明可以从初始的测试用例集中选择出一个规模小得多的测试用例子集，极大地降低了开发人员对测试用例输出结果进行判断的负担，并且使用此测试用例集进行缺陷定位的效果与使用约简前的测试用例集相比几乎不下降。
-
公开(公告)号：CN102521130A
公开(公告)日：2012-06-27
申请号：CN201110413498.0
申请日：2011-12-13
Applicant: 南京大学
IPC: G06F11/36
Abstract: 一种基于聚类不变式分析的错误定位方法，基于程序执行的不变式分析技术，收集程序执行过程中的语句频谱信息进行聚类，对各个类簇分别计算与变量相关的不变式；之后进行新的程序执行，根据新的执行所具有的程序频谱将其划分至某个聚类中，比较新的执行与所在聚类中已有的不变式，如果新的执行违反了已有的不变式，则认为该次执行为一次错误执行；最后根据上述信息进行错误定位。本发明根据已有执行的程序频谱进行聚类，将程序执行空间划分为多个部分，再将新的执行与所属聚类的不变式进行对比分析，节省了验证程序执行正确与否的人力，同时得到了更细粒度的与不同程序执行空间相对应的不变式，有利于程序员进行错误定位。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.03 seconds)
