-
公开(公告)号：CN110119467A
公开(公告)日：2019-08-13
申请号：CN201910398877.3
申请日：2019-05-14
Applicant: 苏州大学
IPC: G06F16/951 , G06F16/9535
Abstract: 本发明公开了一种基于会话的项目推荐方法、装置、设备及计算机可读存储介质；在本方案中，通过用户的历史会话序列构建出一个有向的会话结构图，基于该会话结构图，图神经网络能够捕捉相邻项目之间的转换，并且生成该图中所有节点的隐含状态向量，然后运用自注意力机制来建模长距离依赖，最后把用户的全局偏好和当前局部偏好的线性组合作为当前会话的隐含向量来预测下一次点击的概率，本方案利用自注意力网络和图神经网络的互补优势，实现了对项目的精准推荐。
-
公开(公告)号：CN103927394B
公开(公告)日：2017-06-16
申请号：CN201410184086.8
申请日：2014-05-04
Applicant: 苏州大学
Abstract: 本申请公开了一种基于SVM的多标签主动学习分类方法及系统，所述方法包括：构建候选样本集；确定所述候选样本集内各样本所属的标签集；响应用户操作，将所述候选样本集及候选样本集内各样本所属的标签集进行标注，得到标注的样本；将所述标注的样本加入训练样本集进行训练，更新分类器；利用所述分类器对获取的待分类样本进行分类。所述基于SVM的多标签主动学习分类方法，通过初步确定样本所属的标签集，从而在很大程度上节约了人力成本以及人工标注的时间，从而在节省人力的基础上，还解决了多标签样本的学习分类问题。
-
公开(公告)号：CN103617435B
公开(公告)日：2017-01-25
申请号：CN201310688907.7
申请日：2013-12-16
Applicant: 苏州大学
IPC: G06K9/66
Abstract: 本发明公开一种主动学习图像分类方法和系统，该方法针对原始的未标注图像样本集，首先仅考虑各样本的不确定性，从原始未标注图像样本集中获取不确定性较高的各图像样本，构成最不确定图像样本集；之后，衡量最不确定图像样本集中各样本的代表性，从中获取代表性较高的各样本，组成最具代表性图像样本集；后续对选取的不确定性和代表性较高的样本进行标注、分类器训练，以及利用训练的分类器对目标图像进行分类。可见，本发明采用分层次衡量的方式，首先基于不确定性缩减、筛选样本，之后对不确定性较高的缩减了样本规模的最不确定图像样本集进行代表性衡量，在保证了样本的不确定性和代表性的同时，降低了采样处理时间和工作量，提高了处理效率。
-
公开(公告)号：CN103559420B
公开(公告)日：2016-09-28
申请号：CN201310589362.4
申请日：2013-11-20
Applicant: 苏州大学
IPC: G06F19/00
Abstract: 本申请公开了一种异常检测训练集构建方法及装置，该方法将获取到的样本数据集合确定为当前数据集合，依据接收到的各个当前标注指令，在当前数据集合中获取已标注数据，将已标注数据加入第一数据集合，将未标注数据组成第二数据集合，判断异常点数据的个数是否达到预设数值，若是，依据已标记数据和未标记数据生成训练集，若否，依据第一数据集合计算未标注数据的异常点概率，依据异常点概率对所述未标注数据进行排序，并确定为当前数据集合，返回执行获取各个当前标注指令。与现有技术单次计算异常点概率相比，本方法利用已标注数据对未标注数据重新计算异常点概率，依据异常点概率排序后异常点排序前移，可减少标注次数，提高训练集构建效率。
-
公开(公告)号：CN105068879A
公开(公告)日：2015-11-18
申请号：CN201510548175.0
申请日：2015-08-31
Applicant: 苏州大学张家港工业技术研究院
IPC: G06F9/54
Abstract: 本申请公开了查找目标订阅的方法及装置，应用于位置感知的订阅/发布系统，该方法包括：接收信息发布者发布的事件，所述事件包括值对信息及空间地理位置信息，其中，所述值对信息为一组等号谓词合取式；计算所述事件的谓词个数；对预先建立的布尔表达式列表分别进行以下匹配处理，直到所有布尔表达式列表被处理完，得到目标订阅集合。本发明公开的查找目标订阅的方法中，通过将订阅中的关键词按照属性及大小进行划分的方式，将订阅存储在布尔表达式子表及布尔表达式列表中，进而有效提升了查询匹配的效率。
-
Patent Agency Ranking
公开(公告)号：CN104850645A
公开(公告)日：2015-08-19
申请号：CN201510282807.3
申请日：2015-05-28
Applicant: 苏州大学张家港工业技术研究院
IPC: G06F17/30
Abstract: 本发明提供了一种基于矩阵分解的主动学习评分引导方法及系统，包括：分别获取新用户的用户特征、其他用户的用户特征、新用户未评分项目的项目特征及其他用户已评分项目的项目特征；通过计算新用户的用户特征和其他用户的用户特征间的余弦相似度获取相似用户；采用相似用户中已评分项目的流行度和信息含量获取最优项目，并将最优项目交由新用户，以采用新用户对最优项目进行评分，获取评分结果。与现有技术相比，本发明采用基于矩阵分解的主动学习评分引导方法及模型，更好的预测了用户的偏好信息，进而提高了推荐准确率。
-
公开(公告)号：CN104182518A
公开(公告)日：2014-12-03
申请号：CN201410420928.5
申请日：2014-08-25
Applicant: 苏州大学
CPC classification number: G06F17/30867 , G06Q30/0202
Abstract: 本申请公开了一种协同过滤推荐方法及装置，方法为：预先建立表征用户间近邻关系、项目间近邻关系、用户与项目间实际行为关系和用户与项目间预测行为关系的第一矩阵、第二矩阵、第三矩阵和第四矩阵，利用用户实际行为数据更新第三和第四矩阵，利用用户预测行为数据更新第四矩阵，利用第三和第四矩阵更新第一和第二矩阵，选取用户与项目的实际行为关系值为零的组合，对选取的用户与项目进行评分预测，判断评分值与上一轮预测的评分值的偏差是否小于阀值，若否，则将其作为用户预测行为数据返回更新第四矩阵步骤，直至预测评分值小于阀值，依据该评分值确定是否将项目推荐给用户。本申请考虑了用户间、项目间的关系，使得推荐结果更精确。
-
公开(公告)号：CN102722720B
公开(公告)日：2014-02-26
申请号：CN201210166509.4
申请日：2012-05-25
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于HSV空间在线聚类的视频背景提取方法，采用聚类方法实现，对一段视频训练帧，以像素点在HSV空间的三个通道的值为聚类分类依据，分别提取每个像素点在HSV空间的H、S和V值，对每个像素点，分别按H、S和V值进行聚类，其中，根据当前帧与前一帧在HSV空间中H值之差的绝对值、S值之差的绝对值和V值之差的绝对值之后更新聚类阈值，分别计算H、S、V值与对应通道中各个聚类的聚类中心之间的最近距离，将三个最近距离之和与聚类阈值比较确定聚类；用包含元素数目最多的聚类的聚类中心作为该像素点的当前背景值。本发明得到比灰度背景图像更优的彩色背景，具有良好的背景提取能力和可行性。
-
公开(公告)号：CN103559420A
公开(公告)日：2014-02-05
申请号：CN201310589362.4
申请日：2013-11-20
Applicant: 苏州大学
IPC: G06F19/00
Abstract: 本申请公开了一种异常检测训练集构建方法及装置，该方法将获取到的样本数据集合确定为当前数据集合，依据接收到的各个当前标注指令，在当前数据集合中获取已标注数据，将已标注数据加入第一数据集合，将未标注数据组成第二数据集合，判断异常点数据的个数是否达到预设数值，若是，依据已标记数据和未标记数据生成训练集，若否，依据第一数据集合计算未标注数据的异常点概率，依据异常点概率对所述未标注数据进行排序，并确定为当前数据集合，返回执行获取各个当前标注指令。与现有技术单次计算异常点概率相比，本方法利用已标注数据对未标注数据重新计算异常点概率，依据异常点概率排序后异常点排序前移，可减少标注次数，提高训练集构建效率。
-
公开(公告)号：CN103257981A
公开(公告)日：2013-08-21
申请号：CN201210191981.3
申请日：2012-06-12
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本发明在于公开了一种基于查询接口属性特征的DeepWeb数据表面化方法，包括查询接口模式信息抽取；清洗查询无关的属性；清洗垃圾属性值；属性分类；组装查询；查询集合；判断是否达到一定覆盖度；若是，则该方法流程结束；若不是，判断查询集合是否为空；若是，则将数据经领域样本库提交到样本库中；若不是，则将数据经数据爬取模块和数据记录抽取模块提交到样本库中。本发明基于查询接口属性特征的数据表面化方法可以取得较高的数据表面化效率，并能够有效解决查询接口中Top-k的问题。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.032 seconds)
