公开(公告)号：CN118410830A

公开(公告)日：2024-07-30

申请号：CN202410091963.0

申请日：2024-01-23

Applicant: 东北大学

Inventor： 李传文 ,  李志强 ,  王纯富 ,  李季

IPC: G06N3/042 ,  G06F16/901 ,  G06F17/16 ,  G06N3/0499 ,  G06N3/084

Abstract: 本发明提供一种基于图结构聚合的神经网络子图计数的方法，涉及子图同构技术领域，本发明首先对查询图和数据图进行顶点的遍历，记录每个顶点和其邻居节点所构成的图结构，然后将图结构转换为张量形式，参与到神经网络的迭代过程，最后对于不同查询图依次获得其在数据图中的子图匹配数目。本发明方法不仅丰富了节点的特征信息，且需较少的计算资源和存储空间，提升神经网络迭代阶段的执行效率，实现了减少聚合过程的计算量、减少计数误差的目的。

公开(公告)号：CN119937796A

公开(公告)日：2025-05-06

申请号：CN202510203409.1

申请日：2025-02-24

Applicant: 东北大学

Inventor： 李传文 ,  李季 ,  祝斌 ,  李佳佺

IPC: G06F3/01 ,  G06T15/00

Abstract: 本申请提出一种人体运动捕捉实时渲染方法及系统，属于三维人体运动技术领域，其中方法包括：对多个人体上的惯性测量单元中的传感器进行初始化，对初始化后的人体上惯性测量单元的传感器进行初始对准，得到惯性测量单元坐标系与肢体坐标系之间的姿态关系；基于惯性测量单元坐标系与肢体坐标系之间的姿态关系，采用初始对准后的人体上惯性测量单元的传感器进行数据采集；将采集到的数据输入到人体姿态预测模型中，得到多个关节点的旋转数据以及全局位移；对所述多个关节点的旋转数据以及全局位移进行对应捕捉，得到实时动作捕捉渲染任务。本申请的方法保证了人体运动捕捉系统的实时性，提高了捕捉的可靠性。

公开(公告)号：CN116521997A

公开(公告)日：2023-08-01

申请号：CN202310507281.9

申请日：2023-05-08

Applicant: 东北大学

Inventor： 张天成 ,  李季 ,  李捷 ,  张馨艺 ,  于明鹤 ,  于戈

IPC: G06F16/9535 ,  G06Q50/20 ,  G06F16/35 ,  G06F40/289 ,  G06F40/216 ,  G06N5/025 ,  G06N5/01 ,  G06N20/20 ,  G06N3/04 ,  G06N3/092 ,  G06N3/098

Abstract: 本发明提供一种基于强化学习的个性化学习路径推荐方法，涉及教育数据挖掘技术领域。该方法首先根据学者的学习记录构建学习者模拟器，该模拟器能够判断出学习者的学习水平；然后通过基于文本分类和关联规则挖掘的概念图自动构建模型自动构建练习题所包含的知识点间的知识关系图；再基于知识关系图以及认知诊断模型设计一个练习题导航模块，选择潜在的候选练习题；强化学习智能体在动作空间中选择动作后，在状态空间中确定状态转移，根据损失函数和优化策略更新模型参数，优化强化学习模型；最后使用设计的强化学习模型给学习者推荐练习，并根据学习者的学习情况更新强化学习模型参数。该方法能为学习者推荐高效合理的学习路径。

公开(公告)号：CN120011600A

公开(公告)日：2025-05-16

申请号：CN202510084140.X

申请日：2025-01-20

Applicant: 东北大学

Inventor： 李传文 ,  周光佳 ,  周永政 ,  李季

IPC: G06F16/901 ,  G06F16/903

Abstract: 本申请提出一种子超图包含查询方法，属于数据处理技术领域，包括：获取待查询超图以及数据库超图；将所述待查询超图转换为待查询的超图映射图；采用子超图包含查询算法查询级别包含索引中是否含有待查询的超图映射图对应的子超图，将待查询的超图映射图对应的子超图作为查询结果；其中，所述级别包含索引，构建过程为：将数据库超图转换为数据库超图映射图，并根据数据库超图映射图的每一个顶点构建具有树形结构的级别包含索引。本申请解决了超图映射到图中而不引起二分图等膨胀问题，在进行查询时，不需要遍历数据超图，极大缩短匹配时间。

公开(公告)号：CN119886273A

公开(公告)日：2025-04-25

申请号：CN202510070184.7

申请日：2025-01-16

Applicant: 东北大学

Inventor： 李传文 ,  李季 ,  祁星凯 ,  樊桐旭

IPC: G06N3/092 ,  G06V10/764 ,  G06V10/774 ,  G06V10/74 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/042 ,  G06N3/082 ,  G06N3/084

Abstract: 本发明提供一种基于强化学习的面向子图匹配问题中数据图的修剪方法，涉及子图匹配技术领域。该方法首先构建了子图计数预测模型，用于预测子图计数。其次，构建了基于Deep Q Network算法的强化学习模型，用于删除数据图中与查询图无关的边。并将子图计数预测模型用作强化学习模型的奖励函数，用于度量修剪前后子图匹配的数量、评估修剪效果的优劣，引导强化学习模块进行更新。该方法能够根据数据图和查询图的特征，将数据图中与查询无关的边删除，从而加快子图匹配的查询速度。

公开(公告)号：CN116680477A

公开(公告)日：2023-09-01

申请号：CN202310703313.2

申请日：2023-06-14

Applicant: 东北大学

Inventor： 张天成 ,  李季 ,  李捷 ,  张馨艺 ,  于明鹤 ,  于戈

IPC: G06F16/9535 ,  G06N3/0442 ,  G06N3/092 ,  G06N3/048 ,  G06N3/047

Abstract: 本发明提供一种基于强化学习的个性化习题推荐方法，涉及教育数据挖掘技术领域。本发明首先获得学习者学习记录，通过知识追踪模型判断出学习者潜在的知识水平，将其作为学习者特征的一部分，使得对学习者的特征建模更加准确。之后通过强化学习算法来删除习题记录中学习者误选到的不满意的习题，从而提升推荐的准确性。最后通过个性化推荐模型对学习者进行习题推荐。本发明将个性化推荐、知识追踪、强化学习算法相结合，在考虑学习者潜在知识水平的同时，还去掉了学习过程中误选习题带来的影响，具有重要的理论和实际运用价值。