-
公开(公告)号：CN115409155A
公开(公告)日：2022-11-29
申请号：CN202210983826.9
申请日：2022-08-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于Transformer增强霍克斯过程的信息级联预测系统及方法，包括用户嵌入模块、全局依赖模块、局部依赖模块、强度函数获取模块和流行度预测模块，首先获取用户position‑wise嵌入和时间编码作为用户嵌入，然后以拓扑结构的视角，引入路径感知假设，并从全局嵌入和局部模式两个角度设计两层注意力层，参数化霍克斯过程的强度函数，并结合霍克斯过程、全局嵌入和局部模式，学习信息级联扩散过程耦合的时间和拓扑随机特性，以进行流行度预测；本发明扩展了传统的霍克斯过程，并有效地从连续时间域中获取知识，提升流行度预测准确性。
-
公开(公告)号：CN114937475A
公开(公告)日：2022-08-23
申请号：CN202210380137.9
申请日：2022-04-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种PacBio测序数据纠错结果的自动化评估方法，对原始PacBio测序数据进行质量控制得到符合设定阈值范围的测序序列；使用待评估的纠错方法对质量控制后的clean reads纠错得到序列记为corrected reads，并统计纠错所需的内存资源和时间消耗；对纠错前、后的clean reads、corrected reads进行比较、分析，得到纠错输出率TH和纠错后序列的平均长度；将纠错后的corrected reads与其对应的参考基因组进行比对，得到比对序列MSA并统计分析，得到纠错的灵敏度和正确率；将纠错后的corrected reads组装得到contigs；将contigs与其对应的参考基因组比对，得到比对contigs MSA统计分析，统计出contigs的数量、基因组覆盖率和NGA50。
-
公开(公告)号：CN109636658B
公开(公告)日：2022-05-06
申请号：CN201910044138.4
申请日：2019-01-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于图卷积的社交网络对齐方法，首先利用图卷积神经网络对社交网络中的用户关系进行网络嵌入，然后利用高斯核函数将嵌入空间升维，得到高维空间中节点的相似度矩阵，利用锚节点来表示非锚节点，得到两个社交网络最终的网络嵌入，再利用已知的锚节点信息来学习一个网络映射函数，最后利用该函数将两个社交网络中的节点进行对齐。本发明不需要提取大量的用户隐私信息，利用图形就能够很好地表示社交网络用户之间的社交关系。通过引入高斯核函数将嵌入空间升维，可以分离原始低维嵌入空间中不可分离的节点。利用已知锚节点来学习网络映射函数，可以大大地提高社交网络对齐的准确率，从而实现了一种优于现有方法的社交网络对齐方法。
-
公开(公告)号：CN112465224A
公开(公告)日：2021-03-09
申请号：CN202011363890.4
申请日：2020-11-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于标准化流的股票走势预测系统及方法，通过变分方法将推特文本和历史股价信息编码到随机变量中，然后结合标准化流更加有效的学习引入了推特文本和历史股价信息的潜在表示，从而能够捕获多元时间序列的时间模式，实现对股票走势的有效预测。
-
公开(公告)号：CN105741175B
公开(公告)日：2019-08-20
申请号：CN201610057577.5
申请日：2016-01-27
Applicant: 电子科技大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种基于节点相似度的对多个在线社交网络(OSN)中账户进行关联的方法，从OSN网站账户中提取好友关系来关联不同OSN平台上属于同一实体用户的多个账户。该专利五个部分：数据预处理部分对OSN的账户节点关系图进行预处理；节点序列提取部分通过随机游走获得账户节点序列集合；账户向量表示部分通过词转向量工具word2vec生成每个账户的向量模型；计算线性变换矩阵部分通过梯度下降法求得从一个OSN到另一个OSN的线性变换矩阵W；获取关联账户部分将其中一个OSN中的账户映射到另一OSN的坐标空间，通过相似度度量和阈值筛选，得到所有账户对应的关联账户或者对应的候选集。本发明避免了因账户不真实的特征信息对账户关联结果带来的误差，故而提高了账户关联的健壮性。
-
Patent Agency Ranking
公开(公告)号：CN105741175A
公开(公告)日：2016-07-06
申请号：CN201610057577.5
申请日：2016-01-27
Applicant: 电子科技大学
IPC: G06Q50/00
Abstract: 本发明公开了一种基于节点相似度的对多个在线社交网络(OSN)中账户进行关联的方法，从OSN网站账户中提取好友关系来关联不同OSN平台上属于同一实体用户的多个账户。该专利五个部分：数据预处理部分对OSN的账户节点关系图进行预处理；节点序列提取部分通过随机游走获得账户节点序列集合；账户向量表示部分通过词转向量工具word2vec生成每个账户的向量模型；计算线性变换矩阵部分通过梯度下降法求得从一个OSN到另一个OSN的线性变换矩阵W；获取关联账户部分将其中一个OSN中的账户映射到另一OSN的坐标空间，通过相似度度量和阈值筛选，得到所有账户对应的关联账户或者对应的候选集。本发明避免了因账户不真实的特征信息对账户关联结果带来的误差，故而提高了账户关联的健壮性。
-
公开(公告)号：CN118861852A
公开(公告)日：2024-10-29
申请号：CN202410877008.X
申请日：2024-07-02
Applicant: 电子科技大学 , 喀什地区电子信息产业技术研究院
IPC: G06F18/2415 , G06F16/36 , G06F16/35 , G06N3/0455 , G06N3/0499 , G06N3/042 , G06N3/08 , G06F123/02
Abstract: 本发明属于事件预测技术领域，公开了一种基于时序知识图谱的两阶段事件预测方法，基于事件感知的预排序阶段：依据时态知识图谱生成查询嵌入向量，对查询嵌入向量分别进行事件决策预测和分类预测，并依据事件决策预测预测结果和分类预测结果得到候选实体的概率分布；基于结构感知的事件重排序阶段：基于目标注意力图协作学习，利用并发事件的信息为每个候选实体生成相应的事件级图表；再通过生成的事件级图表进行预测，得到最终的预测结果。本发明的阶段性学习过程允许高效地优先考虑可能发生的事件，同时根据新出现的陌生事件调整预测，从过去提取认知洞见，同时保持对不断变化的事件的敏捷性，整合了历史知识和新进化的动态，能够实现对事件的准确预测。
-
公开(公告)号：CN118485106A
公开(公告)日：2024-08-13
申请号：CN202410585053.8
申请日：2024-05-13
Applicant: 电子科技大学
Abstract: 本发明属于信息传播技术领域，公开了一种基于级联检索语境学习的信息扩散预测方法，基于历史信息级联序列构建提示池，并对提示池进行增强处理，同时获取提示池的用户嵌入；从提示池中检索若干与查询级联匹配的若干提示；依据提示池的用户嵌入，获取查询级联和若干提示的用户嵌入；进而通过预训练的transformer网络生成级联表示；并将级联表示与查询级联的用户嵌入融合得到最终表示；依据最终表示和提示池的用户嵌入，生成用户预测结果，完成信息扩散预测。本发明探索了基于动态级联提示的级联信息扩散预测方法，并通过检索增强语境学习来获取级联间复杂的相互依赖关系，提升信息扩散预测效果。
-
公开(公告)号：CN113095440B
公开(公告)日：2022-05-17
申请号：CN202110482974.8
申请日：2021-04-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于元学习者的训练数据生成方法及因果效应异质反应差异估计方法，首先利用随机现场试验获得原始训练数据学习两个基学习者，再通过元学习者，将两个基学习者对原始训练数据进行交叉测试，生成训练数据；再利用生成的训练数据分别学习一个针对处理组和控制组的任务子学习者，再由两个任务子学习者构成最终的任务学习者；通过最终任务学习者可以实现对用户因果效应异质反应差值的估计。本发明基于元学习者，提出了一套可用估计因果效应异质反应差异的框架，可以与任意基学习者模型结合使用，用于估计任意类型的因果效应反应差异；例如可以用来指导定价的折扣手段、有效广告策略的设计以及产品的尺寸和包装方案的设计等。
-
公开(公告)号：CN112613556B
公开(公告)日：2022-04-19
申请号：CN202011536734.3
申请日：2020-12-23
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于元学习的少样本图像情感分类方法，首先在源数据集上构建多个与目标数据集中具有情感标签信息的少样本图像类似的元学习任务，然后通过对这些元学习任务学习，得到一个良好的分类模型初始化参数，使得分类模型在面对少样本目标数据集中情感图像时能够取得较好的分类效果。本发明不仅可以大大缓解对标注数据的需要，而且基于元学习的方式也更加符合人类的学习方式(人类学习新任务都是基于已经学过任务去学习的)，可以使神经网络模型更加智能化。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.024 seconds)
