-
Patent Agency Ranking
公开(公告)号：CN117319176A
公开(公告)日：2023-12-29
申请号：CN202311152856.6
申请日：2023-09-07
Applicant: 西安电子科技大学
IPC: H04L41/0631 , H04L41/0677 , H04L41/16
Abstract: 本发明公开了一种基于异常调用模式挖掘的微服务故障根因定位方法，包括：将调用链中每个微服务的响应时间和调用路径的特征编码为固定长度的向量；对全部微服务挖掘出微服务为故障根因时的异常调用模式；基于每个微服务，构建独立的故障判别模型并训练，进行故障检测和分类；预测符合异常调用模式的调用链的故障类型，并对每个微服务的异常指标特征进行故障根因概率得分预测；进行根因定位，确定故障在调用链中的具体发生位置；根据微服务调用链拓扑结构特征分析异常传播路径，并对调用链的全部根因概率得分进行排序得出最可能的异常根因微服务。本发明实现了调用链整体的综合考虑，在分布式系统发生异常时实时快速、准确的定位根因。
-
公开(公告)号：CN116151928A
公开(公告)日：2023-05-23
申请号：CN202310251917.8
申请日：2023-03-16
Applicant: 西安电子科技大学
IPC: G06Q30/0601 , G06N3/08 , G06F16/9535 , G06F16/9536
Abstract: 本发明公开了一种基于自注意力机制的序列化神经协同过滤推荐方法，涉及推荐系统技术领域，本发明将与用户有过交互记录的商品ID整理成为用户历史行为记录序列；用户ID与商品ID进行one‑hot嵌入，得到用户特征向量与商品特征向量；将待推荐商品特征向量放在用户历史行为记录序列的末端，并输入到自注意力机制中去，得到具有丰富序列信息的待推荐商品特征向量；将具有丰富序列信息的商品特征向量与原始嵌入得到的用户特征向量与商品特征向量一起输入到神经协同过滤模型中计算，最后进行推荐。本发明消除了序列中的大部分噪声，捕获到了推荐场景下的长期依赖信息与短期依赖信息，得到更加准确的推荐结果。
-
公开(公告)号：CN115858942A
公开(公告)日：2023-03-28
申请号：CN202310168596.5
申请日：2023-02-27
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开了一种面向用户输入的序列化推荐方法及装置，属于软件工程技术领域，包括步骤：对用户的对象序列和对象的文本描述分别进行如下处理：对对象序列，使用卷积神经网络捕获联合级和点级序列特征，在卷积层中额外添加自注意力机制，用于在卷积之后提取特征；对对象的文本描述，采用神经网络和自注意力机制来捕获对象本身的特征；将捕获的特征进行神经网络运算，得到最终的预测输出，根据预测输出确定面向用户输入的对象推荐。本发明提高了项目推荐的精确性。
-
公开(公告)号：CN115729532A
公开(公告)日：2023-03-03
申请号：CN202310036231.7
申请日：2023-01-10
Applicant: 西安电子科技大学
IPC: G06F8/30 , G06F8/41 , G06N3/0464 , G06N3/0475
Abstract: 本发明涉及Java程序方法名推荐技术领域，公开了基于生成对抗网络的Java程序方法名推荐方法及系统，该方法，包括以下步骤：S1，代码预处理；S2，方法名生成；S3，方法名判别；S4，生成对抗网络训练。本发明解决了现有技术存在的模型结构臃肿、针对性强、数据准备阶段消耗了大量的人工精力、不具有实用性等问题。
-
-
-
Search Results
35
records
(took 0.021 seconds)
