-
公开(公告)号：CN114491248B
公开(公告)日：2024-10-29
申请号：CN202210067403.2
申请日：2022-01-20
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06N3/045 , G06N3/0442
Abstract: 本发明提出了一种基于用户多意图演进的序列推荐方法，所述方法具体包括：采集用户的历史交互数据，并对数据进行预处理；设计多意图提取模块，捕获用户的多个意图；设计意图感知重映射层，将序列的顺序信息和时间信息显示地注入到用户项目的交互序列中；设计意图感知演进层，捕捉用户每个兴趣意图的动态偏移；设计多意图聚合模块，在更精细的意图粒度上捕获具有更多信息的用户表示。本发明可以同时考虑用户历史交互序列中的潜在多意图、不同意图的动态演变以及丰富候选物品的特征表示最大化的利用多意图嵌入的好处，从而达到提升推荐性能的目的。
-
公开(公告)号：CN114565429B
公开(公告)日：2024-06-14
申请号：CN202210163386.2
申请日：2022-02-22
Applicant: 哈尔滨工程大学
IPC: G06Q30/0601 , G06N5/02 , G06F18/22 , G06F18/243 , G06F17/18
Abstract: 本发明提出了一种基于语义图模型的智能供应商匹配方法，输入供应商和需求的结构化数据；构建供需描述模型，将供应商和需求的结构化数据转为图结构；根据节点类型的不同，计算需求与每个供应商同类型节点间相似度；结合极大熵原理，建立权重优化模型，对模型求解得到指标权重；依据指标权重，给节点和边分配权重；调用图匹配算法，计算图匹配度，通过入口节点的选取降低时间复杂度，然后过滤低于阈值的供应商，得到针对该需求的供应商排序集合；本发明可以让用户只需要输入计划采购的产品需求和企业要求，既能得到相匹配的供应商集合，匹配概念相似的产品，同时应用于在供应商集中寻找符合需求的实例，以及在需求集中寻找最符合供应的需求。
-
公开(公告)号：CN117010389A
公开(公告)日：2023-11-07
申请号：CN202310801931.0
申请日：2023-07-03
Applicant: 哈尔滨工程大学
IPC: G06F40/295 , G06F18/25 , G06N3/0499 , G06N3/0895 , G06V10/40 , G06V10/82
Abstract: 基于去偏置对比学习的多模态融合命名实体识别方法、设备、介质和产品，属于知识挖掘和知识管理技术领域，解决多模态融合命名实体识别准确度低问题。本发明的方法包括：建立多模态融合模块来生成跨模态语义信息，在该模块中添加跨模态门控机制去除模态间噪声；该模块还引入一个去偏置对比学习方法，引入难分样本挖掘策略来处理视觉对象数量上的偏差，并引入去偏置对比损失。其次，本发明采用GlobalPointer(GP)作为NER解码器用来提升模型对实体边界信息处理能力，设计一个交叉熵损失函数来促使模型学习每个训练支持实例的跨度边界信息。本发明适用于命名实体识别，具体为将文本和图像等多种模态数据结合起来，挖掘文本和图片中的语义关系。
-
公开(公告)号：CN116882524A
公开(公告)日：2023-10-13
申请号：CN202310707082.2
申请日：2023-06-14
Applicant: 哈尔滨工程大学
Abstract: 一种满足参与方的个性化隐私保护需求的联邦学习方法和系统，涉及网络与信息安全技术领域。解决联邦学习场景中因服务器不可信而导致参与方隐私泄露的问题。所述方法包括：参与方选择隐私预算，隐私预算加密并发送给服务器；服务器接收隐私预算进行求和，服务器与参与方协作解密得隐私预算总和，并把总和发送给参与方；参与方将隐私预算与隐私预算总和相除得聚合权重；服务器把全局模型参数发送给参与方，根据参数进行训练获得本地模型；参与方将本地梯度与聚合权重相乘，之后进行梯度裁剪；对裁剪后参数进行扰动，并发送给服务器；服务器接收梯度参数并进行聚合生成全局模型。应用于隐私数据保护领域。
-
公开(公告)号：CN116701992A
公开(公告)日：2023-09-05
申请号：CN202310555050.5
申请日：2023-05-17
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC: G06F18/24 , G06F18/214 , G06F18/22 , G06F18/213 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/088
Abstract: 本申请公开了一种基于图注意力网络和时间卷积网络的多模态异常检测方法，属于多模态数据异常检测技术领域，包括：基于若干传感器获取多模态数据集，对多模态数据集进行预处理，并将预处理后的多模态数据集划分为训练集和测试集；基于图注意力网络和多头注意力机制构造用于提取空间相关特征的空间特征提取模块，基于时间卷积生成对抗网络构造时间特征提取模块，根据空间特征提取模块和时间特征提取模块构建多模态异常检测模型；通过训练集对多模态异常检测模型进行训练及参数优化，得到目标网络；将测试集输入到目标网络中，通过目标网络进行多模态异常检测。本申请提供的方法，在实验数据集上有着明显的优势，适用于多模态异常检测的工作。
-
Patent Agency Ranking
公开(公告)号：CN111105142B
公开(公告)日：2023-06-30
申请号：CN201911165526.4
申请日：2019-11-25
Applicant: 哈尔滨工程大学
IPC: G06Q10/0631 , G06Q10/101 , G06F21/62
Abstract: 本发明提出了一种面向用户个性化隐私保护的众包任务分配方法，包括以下步骤：初始化用户隐身区域，生成以用户为中心的正方形区域，在区域内随机选择一个点，以该随机点为中心生成面积大小相同的正方形区域；对隐身区域进行网格划分，计算每个网格的信息量；依次删除信息量最低的网格，在当前隐身区域边界的相邻网格中选择信息量最高的网格进行替换扩充，得到最大信息量的连续隐身区域；计算任务分配过程中用户期望距离；平台选择用户期望距离最小的有限分配，选出满足任务请求者需求的所有用户。本发明在提供众包任务服务过程中，为用户提供个性化隐私方案的同时，通过对用户隐身区域的合理规划，增强用户的隐身效果，为用户隐私提供更好的保障。
-
公开(公告)号：CN112906941B
公开(公告)日：2022-12-06
申请号：CN202110083073.1
申请日：2021-01-21
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种面向动态相关空气质量时间序列的预测方法及系统，其中，该方法包括：获取网格气象数据，利用图像卷积法对其进行处理得到污染物时间序列；采用多特征聚类法根据上述数据的不同特征与多种空气污染物之间的相关性对特征分组；根据ARIMA模型对污染物时间序列进行拟合，获得残差序列和一部分预测值，并将其放入特征组中，根据不同特征组的数据是否为序列形式将其输入到不同的编码器中，然后将结果融合后输入解码器中进行预测得到另一部分预测值；利用CNN对历史空气质量数据进行卷积得到空气质量时间序列，并使用ARIMA模型处理得到第三部分预测值，通过softmax函数将上述三部分预测值加权求和，得到最终预测结果。
-
公开(公告)号：CN114565429A
公开(公告)日：2022-05-31
申请号：CN202210163386.2
申请日：2022-02-22
Applicant: 哈尔滨工程大学
Abstract: 本发明提出了一种基于语义图模型的智能供应商匹配方法，输入供应商和需求的结构化数据；构建供需描述模型，将供应商和需求的结构化数据转为图结构；根据节点类型的不同，计算需求与每个供应商同类型节点间相似度；结合极大熵原理，建立权重优化模型，对模型求解得到指标权重；依据指标权重，给节点和边分配权重；调用图匹配算法，计算图匹配度，通过入口节点的选取降低时间复杂度，然后过滤低于阈值的供应商，得到针对该需求的供应商排序集合；本发明可以让用户只需要输入计划采购的产品需求和企业要求，既能得到相匹配的供应商集合，匹配概念相似的产品，同时应用于在供应商集中寻找符合需求的实例，以及在需求集中寻找最符合供应的需求。
-
公开(公告)号：CN112232925A
公开(公告)日：2021-01-15
申请号：CN202011203823.6
申请日：2020-11-02
Applicant: 哈尔滨工程大学
Abstract: 本发明是一种融合知识图谱对商品进行个性化推荐的方法。本发明涉及商品进行个性化推荐的机器学习技术领域，包括：获得用户历史行为数据，生成商品知识图；融合用户历史行为数据与商品知识图，构建协同知识图；采用机器学习中表示学习方法，获得协同知识图中节点和关系的向量嵌入表示；将协同知识图中节点和关系的向量嵌入与用户历史行为数据输入基于注意力机制的图卷积神经网络模型中，形成含有邻域信息的新节点和关系的向量嵌入表示；定义得分函数，通过图卷积神经网络模型输出的融合邻域信息的用户、商品向量嵌入表示，计算用户喜欢商品的概率，根据预测结果，排序获得推荐列表。
-
公开(公告)号：CN110633285A
公开(公告)日：2019-12-31
申请号：CN201910917374.2
申请日：2019-09-26
Applicant: 哈尔滨工程大学
IPC: G06F16/22 , G06F16/2458 , G06F21/62
Abstract: 本发明公开了一种满足差分隐私的不确定数据频繁项集挖掘方法，所述方法包括以下步骤：步骤1：计算频繁1-项集候选集，去掉非频繁项，使事务中项按支持度降序排列；步骤2：根据预处理后数据集生成UFP-tree树形结构的同时将隐私预算分配到UFP-tree树形结构节点中；步骤3：采用递归与枚举结合的方式从UFP-tree树形结构中挖掘频繁项集，挖掘过程中回收被剪枝节点的隐私预算；步骤4：采用指数机制从挖掘出的项集中选择k个，打分函数为项集的期望支持度，对未被选中的频繁项集的隐私预算再次回收并分配给选中的1-项集。本发明通过降低匿名率，关联属性共同置换，在保证隐私保护强度的同时，提高数据的可用性。
-
-
-
-
-
-
-
-
-
Search Results
105
records
(took 0.05 seconds)
