-
-
公开(公告)号：CN115829693A
公开(公告)日：2023-03-21
申请号：CN202211685687.8
申请日：2022-12-27
Applicant: 广东工业大学
IPC: G06Q30/0601 , G06F16/9535 , G06N5/04 , G06N20/00
Abstract: 本发明提供一种基于因果反事实的上下文老虎机延迟反馈推荐方法和系统，该方法包括获取待推荐的物品和待推荐用户的特征信息并制定初始推荐策略；根据初始推荐策略将待推荐的物品推荐给待推荐用户；用户接收到推荐的物品后给出反馈信息并与特征信息和推荐的物品共同作为人机交互信息存入数据缓存区中；进行基于因果图反事实延迟反馈估计，获得反事实估计修正后用户的真实反馈数据，根据用户的真实反馈数据制定更新后的推荐策略；最后根据更新后的推荐策略重新对待推荐用户进行物品推荐；本发明能够降低用户对每种待推荐物品的估计回报误差，在用户具有延迟反馈的情况提高推荐的精准度和合理性。
-
公开(公告)号：CN110263151B
公开(公告)日：2023-02-07
申请号：CN201910373011.7
申请日：2019-05-06
Applicant: 广东工业大学
Abstract: 本发明提供了一种面向多视角多标签数据的隐语义学习方法，包括：读取多视角多标签数据作为预处理器的输入，然后进行数据预处理，并将预处理结果输入到训练器中，学习得到隐语义子空间和训练后的模型。预测未标注多视角数据的标签时，将未标注的多视角数据进行预处理，然后输入到训练好的模型中预测得到多标签类别。本发明中提出了一种融合多个视角信息的学习和多标签分类方法，将输入特征和输出多标签映射到共同的潜在语义子空间中。该方法能够处理高维稀疏数据所带来的维数灾难问题，同时融合多视角信息对多标签数据进行分类。
-
公开(公告)号：CN110264434B
公开(公告)日：2022-12-30
申请号：CN201910420295.0
申请日：2019-05-20
Applicant: 广东工业大学
IPC: G06T5/50
Abstract: 本发明提供一种基于低秩矩阵补全的单幅图像去雨方法，包括以下步骤：S1)、利用雨线的两个物理特征，建立准确的检测雨模型，通过检测雨模型对图像进行雨标记，得到雨候选标记矩阵B1(i,j)，并利用方向算子对雨候选标记矩阵B1(i,j)中的错误检测进行纠正，得到雨候标记矩阵B2，最终得到的雨标记矩阵B(i,j)，即B(i,j)＝B1(i,j)*B2(i,j)；S2)、利用低秩矩阵恢复算法，对被雨像素破坏的区域进行高质量恢复，本发明相对于现有技术的去雨方法，具有去雨效果好、计算量小的优点，同时，本发明能够在保持图像细节，尤其是背景图像的轮廓边缘的同时，可以有效去除单幅图像中的雨线，能够最大限度的保证图像的细节。本发明利用稀疏和低秩矩阵的属性降低了计算量，同时提高了图像的处理效果。
-
公开(公告)号：CN109145974B
公开(公告)日：2022-06-24
申请号：CN201810915359.X
申请日：2018-08-13
Applicant: 广东工业大学
IPC: G06V10/80 , G06V10/764 , G06V10/82
Abstract: 本发明公布了一种基于图文匹配的多层次图像特征融合方法，通过使用预训练网络中的多层特征作为图像的多层次总预训练特征，并且在图文匹配的学习目标指导下，利用多层感知机(Multi‑Layer Perceptron)有监督地融合和降维图像的多层次总预训练特征，生成融合图像特征。从而能够充分地利用更多有用的、不同层次的预训练特征，并从中归纳出对图文匹配任务有用的特征和去除无用的特征，减少了噪声特征的干扰。然后即可利用融合图像特征和文本特征在特征空间上的余弦相似度来进行图文匹配。
-
Patent Agency Ranking
公开(公告)号：CN113159292A
公开(公告)日：2021-07-23
申请号：CN202110454250.2
申请日：2021-04-26
Applicant: 广东工业大学
Abstract: 本发明提出一种基于神经网络最小化熵的因果网络发现方法及系统，克服了当前因果网络发现方法无法识别马尔可夫等价类、在有向无环图搜索时容易陷入局部最优的缺陷，解决了采用最小二乘损失作为损失函数的神经网络搜索方法适用性不广、准确率不高的问题，首先构建数据集，对数据集中的变量数据进行预处理，然后根据变量数据的特征构建神经网络，以损失函数为残差的熵，约束条件为无环性约束训练，进而得到数据之间的因果结构，以邻接矩阵表示因果关系的图，再对邻接矩阵进行剪枝处理，最后可视化输出因果网络，克服了传统方法无法识别马尔科夫等价类的困难，提高了局部结构的可识别性。
-
公开(公告)号：CN112863549A
公开(公告)日：2021-05-28
申请号：CN202110077573.4
申请日：2021-01-20
Applicant: 广东工业大学
Abstract: 本发明涉及一种基于元‑多任务学习的语音情感识别方法及装置。该方法包括：通过将元学习和多任务学习结合起来，学习辅助任务之间的相关性，以及学习辅助任务到主任务的知识迁移能力，其优势主要体现在：对于语音情感识别，考虑情感在连续空间和离散空间的相关性，在支持集上，元学习能够像多任务学习一样学习辅助任务的相关性，同时多任务学习也能够像元学习一样共享学习器。而在查询集上，通过引入知识迁移机制，使得模型能够对主任务和辅助任务间的相关性进行建模。该装置包括：获取单元、数据处理单元、元数据生成单元、初始化单元、元训练单元、元预测微调单元以及元预测识别单元。本发明显著提高了语音情感识别的准确度。
-
公开(公告)号：CN112163623A
公开(公告)日：2021-01-01
申请号：CN202011060417.9
申请日：2020-09-30
Applicant: 广东工业大学
IPC: G06K9/62
Abstract: 本发明涉及机器学习技术领域，为克服上述现有技术所述的不能确定簇的质心、计算成本大、在聚类过程中出现过分割的缺陷，提出一种基于密度子图估计的快速聚类方法、计算机设备及存储介质，其中，基于密度子图估计的快速聚类方法包括以下步骤：获取样本，对样本进行预处理后组成数据集；对数据集中各个样本进行密度值估计，构建密度子图集合；从密度子图集合中找出每个密度子图的密度最高点作为该密度子图的代表点，把代表点对应的样本组成候选集；计算候选集中每个样本的重要值；将候选集根据重要值进行降序排序，选择前K个样本作为K个簇的质心；对候选集中非质心的样本进行归类，输出得到聚类结果。
-
公开(公告)号：CN107169061B
公开(公告)日：2020-12-11
申请号：CN201710301194.2
申请日：2017-05-02
Applicant: 广东工业大学
IPC: G06F16/35
Abstract: 本发明涉及一种融合双信息源的文本多标签分类方法，通过网络获取文本数据，将每篇文本按不同信息源分成信息源一和信息源二，并且将不同信息源文本分别采用空间向量模型表示，通过特征矩阵构建融合多种不同视角和特点的信息源的分类器，预测待分类的文本数据，得到分类标签结果，本发明设计合理、计算简单、预测准确，通过将具有不同视角和特点的两种信息源融合在模型中，提高了分类的准确性，避免了现有技术中分别对信息源构建分类器，再对多标签分类结果进行融合，导致忽略不同信息源之间、不同标签的相关性的问题，另外，通过将模型的求解过程转换成特征值的求解，不仅进一步简化了计算过程，而且还进一步提高了模型训练效率。
-
公开(公告)号：CN111597810A
公开(公告)日：2020-08-28
申请号：CN202010286176.3
申请日：2020-04-13
Applicant: 广东工业大学
IPC: G06F40/295 , G06F40/30 , G06F16/33 , G06F16/35
Abstract: 本发明公开了一种半监督解耦的命名实体识别方法，利用语法特征编码器及语义特征编码器来提取句子的语法特征信息以及语义结构特征信息；为确保语法和语义结构特征信息的有效性，增设句子信息解码器，利用提取出来的语法和语义结构特征信息重新解码出句子。并通过第一互信息计算器最小化语法和语义之间的互信息，使得两个特征编码器提取的信息交集部分越来越少；同时为防止信息都偏向于其中的语法特征提取器或者语义特征编码器而导致另一个特征编码器提取出来的信息为无效信息，分别利用最大化语法和句子信息解码器之间的互信息和最大化语义和句子信息编码器之间的互信息，以此有效提高命名实体识别模型的性能，提高命名实体的识别准确度。
-
-
-
-
-
-
-
-
-
Search Results
195
records
(took 0.033 seconds)
