公开(公告)号：CN114003815B

公开(公告)日：2024-03-29

申请号：CN202111299225.8

申请日：2021-11-04

Applicant: 之江实验室 ,  合肥工业大学

Inventor： 张吉 ,  姜元春 ,  周凡 ,  许增辉 ,  孙见山 ,  余婷 ,  钱洋 ,  王永恒 ,  吴乐

IPC: G06F16/9535 ,  G06F16/9536 ,  G06Q50/00

Abstract: 本发明公开了一种网络舆情主题及其关注用户群体的发现方法，其步骤包括：1构建舆情文档中数据集合，2建模舆情文本话题，关注舆情文本话题的用户群体，3设计有参贝叶斯模型，4利用坍塌式吉布斯抽样算法进行参数推断。本发明在应对大规模的在线社交媒体内容以及社交用户评论行为时，一方面能够结合主题分析快速、有效、准确地发现网络中的舆情主题，有助于舆情检测，为舆情的引导和控制提供决策支持；另一方面能够识别关注每个舆情话题的用户群体，实现对社交媒体用户依据关注话题的异同进行快速精准的分类。

公开(公告)号：CN117688972A

公开(公告)日：2024-03-12

申请号：CN202311733434.8

申请日：2023-12-15

Applicant: 之江实验室

Inventor： 姜婷 ,  张泽川 ,  张宇 ,  余婷 ,  齐豪 ,  张吉

IPC: G06N3/042 ,  G06N3/063 ,  G06N3/08 ,  G06F18/214 ,  G06F18/24

Abstract: 本发明公开了一种基于FPGA加速的图神经网络解释方法和装置，提出使用FPGA硬件对面向节点分类的图神经网络的解释过程进行并行加速，并改进其中BFS在节点遍历和最短路径查找的过程，优化了算法计算和存储的需求，加速了解释结果的生成；本发明在计算HN值的过程中，利用矩阵特性对乘法运算进行优化处理，将密集矩阵乘法转为稀疏密集矩阵乘法，使用多PE并行处理优化资源占用，大大提高了图神经网络解释加速的性能，此外设计了一种基于FIFO存储计算任务分发的总体架构来降低节点间的计算差异，解决了基于节点分类的图神经网络解释方法在实际数据应用中时间复杂度高的难点，提高了解释的时间效率。

公开(公告)号：CN117312633A

公开(公告)日：2023-12-29

申请号：CN202311465612.3

申请日：2023-11-07

Applicant: 之江实验室

Inventor： 余婷 ,  李东 ,  张宇 ,  齐豪 ,  姜婷 ,  许增辉 ,  侯琳琳 ,  赵进 ,  张吉

IPC: G06F16/9035 ,  G06F16/901 ,  G06F15/78 ,  G06F9/48

Abstract: 本发明公开了一种基于带HBM的FPGA的动态极大团枚举装置及方法，包括：HBM存储外界PC主机传来的用于更新图结构的动态边流、全图邻接矩阵、以及候选团；矩阵计算单元基于动态边流更新全图邻接矩阵并发送更新的全图邻接矩阵至HBM存储，同时确定需要更新候选团的待更新头节点；排序计算单元根据更新的全图邻接矩阵和每个待更新头节点通过数据分块排序构建候选团重构的排序集；更新计算单元基于候选团重构的排序集并行执行各待更新头节点对应的候选团的更新任务，并将更新的候选团发送至HBM存储，并更新的候选团被发送至PC主机以采取过滤操作提取极大团，这样支持流水线式的增量极大团计算，提升任务的整体计算效率。

公开(公告)号：CN117078995A

公开(公告)日：2023-11-17

申请号：CN202310723079.X

申请日：2023-06-16

Applicant: 之江实验室 ,  浙江大学

Inventor： 杨易 ,  刘璟颢 ,  朱霖潮 ,  张吉 ,  王振

IPC: G06V10/764 ,  G06V20/70 ,  G06F40/279 ,  G06F16/35

Abstract: 本说明书公开了一种文本生成的方法、装置、存储介质及电子设备，获取待识别图像，从待识别图像中确定出各对象所在的图像区域，作为从待识别图像中提取出的各目标图像。将各目标图像以及预设的用于描述所有类别对象的第一文本输入到预设的识别模型中，以使识别模型从各目标图像提取出图像特征，以及从第一文本中提取出文本特征，并根据各目标图像的图像特征和第一文本的文本特征之间的相似度，确定每个目标图像中包含的对象所属的类别。将各目标图像的图像特征以及类别输入到预设的文本生成模型中，以使文本生成模型根据各目标图像的图像特征和类别输出用于描述待识别图像的内容的描述文本。

公开(公告)号：CN116662554B

公开(公告)日：2023-11-14

申请号：CN202310924083.2

申请日：2023-07-26

Applicant: 之江实验室

Inventor： 侯琳琳 ,  余婷 ,  许增辉 ,  张吉

IPC: G06F16/35 ,  G06F40/211 ,  G06F40/30 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048

Abstract: 本发明公开了基于异构图卷积神经网络的传染病方面级情感分类方法，通过采集传染病舆情文本，并按方面类别和情感极性进行分类标注，再输入至词嵌入层，得到第一特征向量；将第一特征向量输入BiLSTM，得到第二特征向量，将第二特征向量组成第一向量表示矩阵；构建异构图；利用异构图卷积神经网络算法对异构图进行聚合更新，得到第二向量表示矩阵；将第二向量表示矩阵输入至注意力机制层；然后掩码层屏蔽非方面单词的隐藏状态向量，增强的方面特征向量；最后得到情感预测标签。采用本方法可以有效地分类社交媒体中与传染病舆情相关方面实体的情感极性，大大提高了方面情感分类任务的检测效果，有助于人们更好地理解公共舆论。

公开(公告)号：CN116561590A

公开(公告)日：2023-08-08

申请号：CN202310834041.X

申请日：2023-07-10

Applicant: 之江实验室

Inventor： 姜婷 ,  侯磊 ,  余婷 ,  姚妮 ,  张吉 ,  张磊

IPC: G06F18/214 ,  G01L1/24 ,  G06F18/15 ,  G06F18/213 ,  G06F18/25 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于深度学习的微纳光纤负载大小和位置预测方法及装置，提出一种基于多尺度一维卷积神经网络(1D‑CNN)和长短期记忆网络（LSTM）的方法(MSCNN‑LSTM)，能够同时精确预测施加在微纳光纤表面的负载大小和位置。通过数据增强的技术解决了在可用数据集较少的情况下深度学习易陷入过拟合的风险，同时通过将光谱数据与当前时间无负载下原始光谱数据做比值，解除了因原始光谱变化引起的数据偏差对模型预测的影响，提高模型对光谱数据对应负载大小和位置预测准确率。本发明方法在整个实验范围内能准确预测负载大小（MAE=0.02N）和负载施加位置（MAE=7.6um）,可用于开发广泛运用的触觉传感器。

公开(公告)号：CN116310451A

公开(公告)日：2023-06-23

申请号：CN202310108429.1

申请日：2023-02-03

Applicant: 之江实验室 ,  清华大学

Inventor： 高跃 ,  张欣炜 ,  张吉 ,  余婷

IPC: G06V10/762 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06V10/40 ,  G06N3/0464 ,  G06N3/08

Abstract: 本申请涉及一种超图连续学习方法、装置、电子设备及存储介质，其中，方法包括：提取样本特征，并基于预设度量方式利用样本特征建立超图；面向连续学习过程中结点与超边不断增加的超图，使用基于预设采样策略或基于预设聚类策略获得表达原始超图结构的第一子超图；合并第一子超图与新增的超边、结点所构成的超图，获得表达增长后的超图结构的第二子超图；基于第二子超图，利用基于预设超图神经网络的学习方法获得对无标签结点的预测结果。由此，解决了相关技术中，在进行超图学习时，忽略超图对复杂高阶关联的刻画能力，使得连续学习过程中分类任务的准确率降低，难以提升模型的运算效率，提高了模型对内存的需求等问题。

公开(公告)号：CN113255895B

公开(公告)日：2023-06-16

申请号：CN202110632199.X

申请日：2021-06-07

Applicant: 之江实验室 ,  北京大学

Inventor： 夏逸宽 ,  张吉 ,  高军

IPC: G06N3/048 ,  G06N3/08 ,  G06F16/26

Abstract: 本发明涉及一种基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法。该方法对训练数据中的图进行子图采样；通过有标注的已经对齐的节点对，利用图神经网络学习子图中节点的低维向量表示；根据子图中节点的低维向量表示计算节点之间的相似度，并以相似度作为依据对图进行对齐，最终获得训练好参数的图神经网络；在推测阶段，对待对齐的两图通过训练好的图神经网络得到每个节点的低维向量表示，进而计算节点之间的相似度，并以相似度作为依据对两图进行对齐，进而利用对齐后的多图数据进行联合数据挖掘。本发明在有监督的设置下，考虑了模型的表达性能，损失函数设置，以及表示向量空间约束和可扩展性，实现了对已有方法的提升。

公开(公告)号：CN115661550B

公开(公告)日：2023-05-30

申请号：CN202211461517.1

申请日：2022-11-17

Applicant: 之江实验室

Inventor： 张阳 ,  还章军 ,  余婷 ,  张吉

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/094

公开(公告)号：CN115661550A

公开(公告)日：2023-01-31

申请号：CN202211461517.1

申请日：2022-11-17

Applicant: 之江实验室

Inventor： 张阳 ,  还章军 ,  余婷 ,  张吉

IPC: G06V10/764 ,  G06V10/762 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/094

Abstract: 本发明公开了基于生成对抗网络的图数据类别不平衡分类方法及装置，通过构建生成器，将属性图信息输入到生成器中，生成器包括低阶神经网络和高阶神经网络，学习图的局部和全局信息，学习并得到节点的嵌入表示向量；再对少样本图数据进行过采样，根据合成少数类过采样技术SMOTE原则，对学习到的每个少数类表示向量进行近邻计算，选择其最近邻节点进行插值计算，生成新的节点；然后重建平衡图数据，通过已有图的节点和边信息训练边生成器，对生成的节点进行链路预测；最后将重建的平衡图数据作为判别器的输入，进行节点分类。有效解决了数据不平衡的假阳性问题，提高了图的节点分类准确率。