-
公开(公告)号：CN114119055A
公开(公告)日：2022-03-01
申请号：CN202010902906.8
申请日：2020-09-01
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本发明公开了一种测评实现方法、装置和存储介质，所述方法包括：基于第一标签集确定第一问卷；所述第一标签集，包括：用户偏好标签；所述用户偏好标签基于历史用户数据确定；获取目标特征的参数，基于所述目标特征的参数确定第一设备；所述目标特征的参数基于环境状态和行为状态确定；将所述第一问卷发送到第一设备；所述第一问卷由所述第一设备呈现；接收所述第一设备发送的针对第一问卷的答复结果。
-
公开(公告)号：CN111522886A
公开(公告)日：2020-08-11
申请号：CN201910045755.6
申请日：2019-01-17
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
IPC: G06F16/28 , G06F16/9535 , G06F40/284
Abstract: 本发明实施例公开了一种信息推荐方法、终端及存储介质，所述方法包括：获取用户兴趣信息的第一标签集合，以及推荐信息的第二标签集合；其中，所述第一标签集合中包括至少一个用于标识用户兴趣信息的第一标签，所述第二标签集合中包括至少一个用于标识推荐信息的第二标签；从预设的知识图谱中得到与第一标签具有实体关系的N个第三标签；其中，N取正整数；基于所述第一标签集合，与第一标签具有实体关系的N个第三标签，以及词向量库，确定所述推荐信息与所述用户兴趣信息的相似度；其中，所述词向量库中至少包括第一标签的词向量和第二标签的词向量。
-
公开(公告)号：CN111510368A
公开(公告)日：2020-08-07
申请号：CN201910100241.6
申请日：2019-01-31
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团有限公司
Abstract: 本发明提供了一种家庭群组识别方法、装置、设备及计算机可读存储介质，其中，家庭群组识别方法包括：根据训练数据，得到训练特征信息；根据所述训练特征信息，利用机器学习算法得到识别模型；利用所述识别模型，进行家庭群组识别。本方案通过根据训练数据，得到训练特征信息；根据所述训练特征信息，利用机器学习算法得到识别模型；利用所述识别模型，进行家庭群组识别；能够实现通过机器学习算法建立用于家庭群组识别的识别模型，以预测用户之间的家庭关系；该方式对各特征权重的赋值更加智能、科学，使得识别模型的识别准确率更高，很好的解决了现有技术中家庭群组识别方案的准确率低的问题。
-
公开(公告)号：CN108062859A
公开(公告)日：2018-05-22
申请号：CN201610975404.1
申请日：2016-11-07
Applicant: 中国移动通信有限公司研究院 , 中国移动通信集团公司
Inventor： 郭叶
Abstract: 本发明公开了一种基于信令数据的路况监测方法及装置，其中，所述方法包括：根据路网数据确定需要监测的目标路段的标识信息及所述目标路段的位置信息；根据信令数据，确定所述目标路段中每一终端的位置信息；根据所述目标路段的位置信息及所述目标路段中每一终端的位置信息，确定所述目标路段的用户数；根据所述目标路段的位置信息，确定所述目标路段的车容量；根据所述用户数和车容量确定所述目标路段的路况信息。
-
公开(公告)号：CN119443316A
公开(公告)日：2025-02-14
申请号：CN202411677241.X
申请日：2024-11-21
Applicant: 中移动信息技术有限公司 , 中国移动通信集团有限公司
IPC: G06N20/20 , G06N5/01 , G06F18/214
Abstract: 本申请公开了一种模型优化方法、装置、设备、存储介质及产品，涉及人工智能技术领域，包括：根据主要训练特征集和辅助训练特征集训练决策树模型；获取参数更新信息和特征重要性信息；根据参数更新信息和特征重要性信息进行全局模型的聚合更新，根据当前聚合更新结果对决策树模型进行优化；通过上述方式，利用经过科学特征选择和采样的训练特征集训练决策树模型，能够有效、充分利用所有特征，并引入一种结合联邦学习特征影响聚合与模型协同训练的目标算法进行全局模型的聚合更新，根据当前聚合更新结果对决策树模型进行优化，以确保决策树模型能够有效地与全局模型进行协同工作，从而能够有效提高优化模型的准确性，以及提高联邦学习的性能。
-
Patent Agency Ranking
公开(公告)号：CN119323053A
公开(公告)日：2025-01-17
申请号：CN202411434937.X
申请日：2024-10-14
Applicant: 中移动信息技术有限公司 , 中国移动通信集团有限公司
Abstract: 本申请公开了一种数据查询方法、装置、设备、存储介质和程序产品，涉及计算机技术领域，所述方法包括：生成同态加密算法的公钥私钥对，并将公钥发送至至少两个数据源，数据源根据公钥生成数据集的编码值的同态密文；分别与每一数据源执行不经意伪随机函数协议，生成每一数据源对应的查询值的伪随机值；将伪随机值依次发送至对应的数据源，数据源基于伪随机值获取本地同态密文，并将本地同态密文和接收到的其他数据源的同态密文之和发送至下一数据源，直至下一数据源为最后一个数据源；获取最后一个数据源返回的同态密文之和，通过私钥对同态密文之和进行解密，并根据同态密文之和生成查询值对应的查询结果。本申请提高了数据查询的安全性。
-
公开(公告)号：CN118967226A
公开(公告)日：2024-11-15
申请号：CN202410969735.9
申请日：2024-07-18
Applicant: 中移动信息技术有限公司 , 中国移动通信集团有限公司
IPC: G06Q30/0242 , G06Q30/0241 , G06N20/00 , G06F18/214 , G06F18/24 , G06N5/01
Abstract: 本申请公开了一种广告点击率预测方法、装置、设备、介质及产品，涉及联邦学习技术领域。公开的广告点击率预测方法包括：获取待预测对象数据；将待预测对象数据输入广告点击率预测模型进行预测，获得广告点击率预测结果；其中，广告点击率预测模型包括联邦学习非线性模块与联邦学习线性模块，联邦学习非线性模块用于对待预测对象数据进行特征提取，获得特征数据，联邦学习线性模块用于基于特征数据进行预测，获得广告点击率预测结果。本申请可以提高预测精度。
-
公开(公告)号：CN119865299A
公开(公告)日：2025-04-22
申请号：CN202510026972.6
申请日：2025-01-07
Applicant: 中移动信息技术有限公司 , 中国移动通信集团有限公司
Abstract: 本申请公开了一种代理计算方法、装置、设备、存储介质及产品，涉及数据安全技术领域，所述的方法包括：代理服务器接收来自多个客户端的重加密密钥、公钥和加密密文；根据公钥对加密密文进行同态计算；根据重加密密钥将同态计算密文结果转化为客户端对应的接收方密文；将多个接收方密文分别发送至多个客户端。本申请通过代理服务器对密文执行同态计算，可以对加密数据直接运算，并且代理服务器在计算的过程中不会获取到任何有关明文数据的信息，从而保护数据的隐私。通过代理服务器的代理计算，可将客户端的复杂计算任务交由代理服务器代为计算，从而降低用户的计算量。最后将同态计算后的密文根据重加密密钥转化为客户端能够解密的密文。
-
公开(公告)号：CN119494421A
公开(公告)日：2025-02-21
申请号：CN202411621698.9
申请日：2024-11-13
Applicant: 中移动信息技术有限公司 , 中国移动通信集团有限公司
Abstract: 本申请公开了一种自适应差分隐私的联邦学习方法、客户端、服务器、存储介质及产品，方法应用于客户端，包括：基于当前训练轮次和裁剪阈值调整策略确定梯度裁剪阈值，裁剪阈值调整策略根据数据分布相似度和各训练轮次对应的梯度变化率构建；对各样本的梯度进行裁剪，得到各样本的目标梯度；根据自适应差分隐私算法以及目标隐私预算对各样本的目标梯度添加噪声扰动，得到自适应噪声；结合目标数据集以及全局损失函数进行模型更新，得到本地模型参数，并发送至服务器，服务器根据本地模型参数更新参数得到全局模型。通过上述方式，增强了模型对噪声和攻击的鲁棒性，提高了客户端保护数据隐私的能力、模型的准确性以及模型的泛化能力。
-
公开(公告)号：CN119475432A
公开(公告)日：2025-02-18
申请号：CN202411677424.1
申请日：2024-11-21
Applicant: 中移动信息技术有限公司 , 中国移动通信集团有限公司
Abstract: 本申请公开了一种基于联邦模型的家庭客户识别方法、装置、电子设备、介质及产品，涉及联邦学习技术领域，基于联邦模型的家庭客户识别方法包括：采集原始客户数据，其中，原始客户数据至少包括运营商数据、社交数据、电商数据、用车数据、位置数据或智能家居数据中的一种；将原始客户数据输入到预设的家庭群组识别联邦模型，获得多组家庭群组数据；将各家庭群组数据输入到预设的高价值客户识别联邦模型，得到高价值客户识别结果，其中，高价值客户识别结果包括家庭群组数据对应的高价值标签。本申请的技术方案解决了目前针对高价值家庭客户的识别方案存在准确性低以及数据安全风险的问题。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.297 seconds)
