-
公开(公告)号：CN108681433A
公开(公告)日：2018-10-19
申请号：CN201810419353.3
申请日：2018-05-04
Applicant: 南京信息工程大学
CPC classification number: G06F3/0641 , G06K9/6215 , G06K9/6256 , G06K9/6269
Abstract: 一种用于重复数据删除的抽样选择方法，该方法基于Sig‑Dedup框架，得到初始块阈值，进而从大规模数据集中过滤出可能的匹配对放入一个新的集合S，并按相似度递增排序，然后将该集合按相似度等级随机抽取出一定数量的信息对生成经验规模的样本。通过SSAR主动学习算法，对各等级的样本进一步去除不翔实或者冗余的信息对，生成更具代表性的训练集交由专家标记，然后用它确定模糊边界值，紧接着用模糊边界值和已标记集训练支持向量机分类器SVM，自动判定模糊区域内信息对是否匹配，从而减少了需要人工标记的信息对数量。本发明大大细化了抽样选择过程，减小需要手工标记的信息对数量，极大减小专家标记成本。
-
公开(公告)号：CN105530303B
公开(公告)日：2018-09-25
申请号：CN201510934456.X
申请日：2015-12-15
Applicant: 南京信息工程大学
IPC: H04L29/08
Abstract: 本发明提供一种网络缓存线性替换方法，首先建立一个缓存替换模型作为实验基础，先对网站固定缓存容量大小，然后对其发送大量的访问请求，再对网路缓存中出现的数据信息进行提取分析，同时将向网络中所发送的请求数据按照一定的数量分成不同的序列，这些序列也可以作为实验对象。在该网站的网络缓存存储满时，要对接下来的访问数据与之前已经存储的数据进行替换。在替换的过程中，采用了三种递进式的方法，来设计出了一个最为优秀的缓存替换方法。本发明结合传统的缓存替换方法。通过本设计的缓存替换方法，可以快速的给用户返还所需数据，提高数据查询请求的速度，适合于处理大数据的请求访问。
-
公开(公告)号：CN104281956B
公开(公告)日：2018-09-07
申请号：CN201410583981.7
申请日：2014-10-27
Applicant: 南京信息工程大学
IPC: G06Q30/00
Abstract: 本发明涉及一种基于时间信息的适应用户兴趣变化的动态推荐方法，包括：构建用户‑物品的显式评分矩阵；构建用户‑物品的隐式评分矩阵；构建用户‑物品综合评分矩阵；计算两两用户之间的相似性；获取与目标用户相似度靠前的K位用户作为目标用户的近邻集合；选取单调递减的指数时间函数作为评分权重函数，根据用户的评分所体现的兴趣变化趋势不同，计算评分权重函数中每位用户的权重因子；采用TOP‑N推荐方法，将预测得分靠前的N项物品推荐给用户。本发明考虑用户兴趣随时间的变化，为其提供更加精确的个性化物品推荐服务。
-
公开(公告)号：CN104317904B
公开(公告)日：2017-09-05
申请号：CN201410579139.6
申请日：2014-10-24
Applicant: 南京信息工程大学
IPC: G06F17/30
Abstract: 本发明公开了一种带权重社会网络的泛化方法，包括：对节点依节点度进行降序排序并分组；泛化已经存在的边的权重，并计算边存在概率；根据匿名组内节点度数不相同的情况寻找候选节点作为新邻居，增加边、安排新边权重并计算边存在概率；遍历所有匿名组集后抽取所有节点敏感属性形成敏感属性包；计算节点间的敏感属性包的最大相似性，根据泛化树，得到敏感属性包的泛化包；遍历K‑权重匿名组集，得到满足K‑Weighted‑inv‑l‑diversity anonymous图。与现有技术相比，本发明考虑了边的权重，并且考虑了多敏感属性的问题，使得隐私保护方法更加适用于实际的社会网络，可以更好地保护带权重图中的多敏感属性。
-
公开(公告)号：CN106650772A
公开(公告)日：2017-05-10
申请号：CN201610877582.0
申请日：2016-10-08
Applicant: 南京信息工程大学
IPC: G06K9/62
CPC classification number: G06K9/6223 , G06K9/6288
Abstract: 本发明提供了基于增量成员选择和改进共协矩阵的聚类融合方法，涉及数据挖掘领域。本发明首先对数据集进行M次有差异的聚类，得到M个划分；接着基于误差平方和、局部成本函数，考虑每个划分对于最终聚类结果的贡献，增量选择W个融合成员；对于增量选择的W个融合成员，根据划分之间的关系，考虑两个数据点同时出现在一个簇的概率和簇的稳定性，构造改进的共协矩阵；将改进的共协矩阵用于标准割算法得到最终聚类结果。本发明将减少原来聚类融合算法的工作量，筛除对于最终聚类结果影响较小的融合成员，同时提高聚类融合的准确度和精度。
-
Patent Agency Ranking
公开(公告)号：CN105574153A
公开(公告)日：2016-05-11
申请号：CN201510943677.3
申请日：2015-12-16
Applicant: 南京信息工程大学
IPC: G06F17/30
CPC classification number: G06F16/128
Abstract: 本发明提供一种基于文件热度分析和K-means的副本放置方法，首先通过分析文件在给定时间内的访问频率，计算文件的访问热度。利用文件的访问热度，结合K-means算法，预测下一周期内可能的高访问热度文件，综合考虑统计周期、文件大小、工作环境等多种因素，按需动态地调整文件副本的数量及放置位置。本发明能够有效地减少文件访问的平均响应时间，提高数据服务性能。
-
公开(公告)号：CN105389736A
公开(公告)日：2016-03-09
申请号：CN201510948185.3
申请日：2015-12-17
Applicant: 南京信息工程大学
IPC: G06Q50/00
CPC classification number: G06Q50/01
Abstract: 本发明提供基于网络社区划分和少量样本朋友的隐私策略推荐方法，首先将用户朋友按照社区进行划分，采用迭代边介数方法，考虑最大模块度，主要利用少量样本朋友的隐私策略进行对其他朋友隐私策略的推荐；在对样本朋友设置隐私策略时，考虑所需保护的个人信息，如姓名，性别，年龄，邮箱，电话号码，地址等。本发明在为用户做隐私策略推荐时，考虑了用户所在的网络社区、用户朋友间的相似度、用户对样本朋友的隐私策略设置来实现隐私策略推荐，能较好的体现用户个人偏好和相似朋友之间的类似隐私策略，能更加准确的为用户进行个性化隐私策略推荐，适合于现如今社交网络中准确的隐私策略推荐和网络隐私保护。
-
公开(公告)号：CN103685271A
公开(公告)日：2014-03-26
申请号：CN201310683002.0
申请日：2013-12-13
Applicant: 南京信息工程大学
IPC: H04L29/06
Abstract: 本发明涉及一种社会网络数据敏感属性隐私保护方法，基于L-多样性原理，通过在社会网络数据结构中增加新网络数据节点，以及建立候选网络数据节点与新网络数据节点之间的联系，实现对网络数据的保护，该方法较好的避免了现有技术在针对网络数据实现保护的同时，对网络数据造成巨大影响的缺点；相对于现有保护方法，能够在对社会网络数据结构中网络数据可用性产生最小影响的条件下达到隐私保护的目的。
-
公开(公告)号：CN119611351A
公开(公告)日：2025-03-14
申请号：CN202411901258.9
申请日：2024-12-23
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种类脑脉冲强化演化的无人驾驶避障方法及相关装置，本发明根据当前时刻的无人驾驶车辆的状态序列和皮质‑基底神经节‑丘脑网络生成当前时刻的避障动作，并基于当前时刻的避障动作优化下一时刻的皮质‑基底神经节‑丘脑网络，在皮质‑基底神经节‑丘脑网络优化过程中，根据相邻时刻的奖励差值，累加皮质‑基底神经节‑丘脑网络对环境的警惕值，在累加的警惕值未超过第二阈值时，依次基于尖峰时序依赖性可塑性机制和多巴胺调节机制优化皮质‑基底神经节‑丘脑网络，在累加的警惕值超过第二阈值时，基于遗传算法的离线演化方法优化皮质‑基底神经节‑丘脑网络，实现了对不同复杂环境快速适应和决策准确的避障方法。
-
公开(公告)号：CN119383279A
公开(公告)日：2025-01-28
申请号：CN202411959961.5
申请日：2024-12-30
Applicant: 南京信息工程大学
IPC: H04N1/44 , G06F21/62 , G06N3/0895
Abstract: 本发明公开了一种面向大模型检索的输入图优化隐私保护方法及系统，属于隐私保护技术领域，方法包括：基于输入图中各节点的对比学习权重，对输入图进行双视角对比学习，获取输入图中各节点的初始嵌入表示；引入类别原型提示，对输入图中各节点进行分类优化，获取输入图中各节点的对比学习权重约束表示；获取输入图的全局表示，对输入图中各节点进行匹配度优化，获取输入图中各节点的优化表示；引入输入图中各节点的上下文标记，识别输入图中的隐私节点；筛选输入图中各隐私节点的边进行剪枝重连，获取隐私保护后的输入图。该方法能够在不损失输入图的数据结构信息的前提下，精确识别和保护输入图中的隐私节点，降低输入图的隐私泄露风险。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.043 seconds)
