-
公开(公告)号：CN109740924B
公开(公告)日：2022-12-06
申请号：CN201811640589.6
申请日：2018-12-29
Applicant: 西安电子科技大学
Abstract: 本发明公开一种融合属性信息网络和矩阵分解的物品评分预测方法，解决了如何更准确地对物品评分预测的问题。实现步骤有：构建属性信息网络；采集数据和信息；构建融合分解模型；初始化参数；选择评价指标和损失函数计算公式；计算预测评分矩阵；计算训练集预测评分矩阵损失；对参数优化更新得到新的预测评分矩阵；计算测试集预测评分矩阵评价指标；判断评价指标；若满足停止条件直接输出结果；否则，返回迭代计算逐渐降低损失；直至满足条件输出结果。本发明将用户和物品更多信息经过属性信息网络得到的维度变换结果又与矩阵分解融合形成预测模型，采用两种损失函数，使得物品评分预测更为准确，本发明可应用于对网上物品进行自动化的预测。
-
公开(公告)号：CN115098787A
公开(公告)日：2022-09-23
申请号：CN202210869627.5
申请日：2022-07-21
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明提出了一种基于余弦排名损失和虚拟边图神经网络的物品推荐方法，实现步骤为：(1)构建用户信息、物品信息以及用户‑物品交互信息；(2)构建用户‑物品虚拟边交互二部图；(3)构建基于余弦排名损失和虚拟边图神经网络的物品推荐模型；(4)对基于余弦排名损失和虚拟边图神经网络的物品推荐模型进行迭代训练；(5)获取向用户推荐的物品列表。本发明通过使用用户‑物品虚拟边交互二部图，挖掘了用户‑物品的潜在交互可能，关注了节点间的隐式反馈以获得更好的嵌入表征向量；同时通过使用余弦排名损失函数，过滤冗余样本以自适应的计算损失函数值，提高了物品推荐的准确性。
-
公开(公告)号：CN109949099B
公开(公告)日：2022-04-08
申请号：CN201910224593.2
申请日：2019-03-23
Applicant: 西安电子科技大学
IPC: G06Q30/02
Abstract: 本发明公开一种基于聚类及多臂赌博机的信息核构建方法，主要解决现有技术推荐精度偏低和信息核提取时间过长的问题，其实现方案为：1)构建用户物品评分矩阵；2)对用户物品评分矩阵进行降维，得到低维矩阵；3)对低维矩阵中的用户进行重复聚类；4)根据聚类结果，构建虚拟用户物品评分矩阵；5)利用多臂赌博机从虚拟用户物品评分矩阵中提取信息核；6)利用提取出的信息核为用户物品评分矩阵中的每一个用户推荐所需要的物品。本发明具有推荐精度高、提取信息核的速度快的优点，可用于为用户推荐所需要的物品。
-
公开(公告)号：CN110321963B
公开(公告)日：2022-03-04
申请号：CN201910616371.5
申请日：2019-07-09
Applicant: 西安电子科技大学
IPC: G06V20/10 , G06V20/13 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于融合多尺度多维空谱特征的高光谱图像分类方法，其实现步骤为：(1)输入高光谱图像；(2)对待分类的高光谱图像进行预处理；(3)邻域取块；(4)生成训练集与测试集；(5)构建多尺度空谱特征和多维特征融合网络；(6)训练多尺度空谱特征和多维特征融合网络；(7)对测试样本进行分类。本发明提出的方法能有效解决卷积神经网络在训练时特征太过单一和尺度太过单一的问题，并且能够解决进行高光谱分类时平均分类精度AA低的问题，在实现较高分类精度的同时，能保持对小样本数量类别的识别能力，分类性能良好。
-
公开(公告)号：CN114065048A
公开(公告)日：2022-02-18
申请号：CN202111413243.4
申请日：2021-11-25
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/04
Abstract: 本发明提出了一种基于多异构图图神经网络的物品推荐方法，实现步骤为：获取用户信息、物品信息以及用户‑物品交互信息；构建属性异构图；构建用户‑物品交互异构图；构建全相邻异构图；构建基于多异构图图神经网络的物品推荐模型；对基于多异构图图神经网络的物品推荐模型进行迭代训练；获取向用户推荐的物品。本发明首先通过在多个异构图上构造一个属性辅助层、一个全相邻辅助层和多个图卷积神经网络层以更高效地获得用户嵌入向量和物品嵌入向量，从而更好地挖掘信息；其次通过保留部分层的节点自连接，充分利用了有限的数据，有效提高了物品推荐的准确性。
-
Patent Agency Ranking
公开(公告)号：CN113392931A
公开(公告)日：2021-09-14
申请号：CN202110748974.8
申请日：2021-07-02
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自监督学习和多任务学习的高光谱开放集分类方法，主要解决现有高光谱开放集分类方法无法充分利用高光谱开放集的无标签样本，导致分类精度低的问题，其实现方案为：输入高光谱图像并对其进行预处理；对预处理后的图像进行邻域取块，生成训练数据集与测试数据集；构建基于自监督学习和多任务学习的神经网络模型；利用训练数据集，采用自监督学习方法和多任务学习方法对所构建的神经网络模型进行训练；将测试数据集输入到训练好的神经网络模型中得到分类结果。本发明能充分利用无标签样本信息，缓解有标签样本少的问题，提高了分类精度，可应用于环境监测、资源勘探、城市规划及农业计划。
-
公开(公告)号：CN108776919B
公开(公告)日：2021-07-20
申请号：CN201810550780.5
申请日：2018-05-31
Applicant: 西安电子科技大学
Abstract: 本发明公开一种基于聚类及进化算法构建信息核的物品推荐方法，其步骤为：(1)构建用户物品评分矩阵；(2)将用户物品评分矩阵降维；(3)利用聚类算法构建虚拟用户物品评分矩阵；(4)构建并更新用户物品训练矩阵和用户物品优化矩阵；(5)初始化父代种群；(6)交叉变异生成过渡种群；(7)计算信息核个体的推荐精度；(8)生成子代种群；(9)更新父代种群；(10)判断迭代次数是否为100次；(11)完成信息核构建；(12)利用信息核为用户推荐物品。本发明具有构建信息核快，为用户推荐物品更精确的优点。
-
公开(公告)号：CN112529415A
公开(公告)日：2021-03-19
申请号：CN202011458878.1
申请日：2020-12-11
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于组合多感受野图神经网络的物品评分方法，其实现步骤为：(1)构建属性特征提取模块；(2)构建结构特征提取模块；(3)构建图解码器模块；(4)生成组合多感受野图神经网络；(5)构建属性特征矩阵和用户‑物品评分矩阵；(6)生成用户‑物品二部有权图；(7)生成训练集；(8)训练组合多感受野图神经网络；(9)评分。本发明提出的方法能够提取用户和物品的属性特征和结构特征，充分挖掘用户和物品信息，具有评分准确度高的优点。
-
公开(公告)号：CN106296655B
公开(公告)日：2019-05-21
申请号：CN201610601199.2
申请日：2016-07-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于自适应权值和高频阈值的SAR图像变化检测方法，主要解决现有技术检测效果不理想，单一类型差异图检测精度低的问题。其实现步骤为：1.读入不同时刻从同一地区获取的两幅SAR图像I1和I2；2.分别计算两幅图像I1和I2对应像素的均值比差异图Dm和邻域对数比差异图Dl；3.对均值比差异图Dm和邻域对数比差异图Dl进行小波融合，得到融合后的差异图像Xd；4.将融合差异图Xd聚成不同的两类，得到变化检测结果。本发明操作简单、抗噪性好、检测精度高，对不同类型的SAR图像均能获得较好的效果，可应用于环境监测、海洋观测、灾害评估、资源勘察、城区规划和地理测绘。
-
公开(公告)号：CN109740924A
公开(公告)日：2019-05-10
申请号：CN201811640589.6
申请日：2018-12-29
Applicant: 西安电子科技大学
Abstract: 本发明公开一种融合属性信息网络和矩阵分解的物品评分预测方法，解决了如何更准确地对物品评分预测的问题。实现步骤有：构建属性信息网络；采集数据和信息；构建融合分解模型；初始化参数；选择评价指标和损失函数计算公式；计算预测评分矩阵；计算训练集预测评分矩阵损失；对参数优化更新得到新的预测评分矩阵；计算测试集预测评分矩阵评价指标；判断评价指标；若满足停止条件直接输出结果；否则，返回迭代计算逐渐降低损失；直至满足条件输出结果。本发明将用户和物品更多信息经过属性信息网络得到的维度变换结果又与矩阵分解融合形成预测模型，采用两种损失函数，使得物品评分预测更为准确，本发明可应用于对网上物品进行自动化的预测。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.033 seconds)
