多模态信息检测模型的训练方法、检测方法及系统

    公开(公告)号:CN118982727A

    公开(公告)日:2024-11-19

    申请号:CN202410993712.1

    申请日:2024-07-23

    Abstract: 本公开关于一种多模态信息检测模型的训练方法、检测方法及系统,所述训练方法包括:获取多模态训练样本集和样本标注信息;针对多模态样本信息中的每个模态,通过屏蔽在该模态之外的其他模态的信息,得到单模态样本集;分别将多模态训练样本集和单模态样本集输入到多模态信息检测模型中,得到多模态预测和单模态预测;基于多模态预测、单模态预测和样本标注信息,确定预测损失;利用预测损失,对多模态信息检测模型进行训练。本公开的多模态信息检测模型的训练方法、检测方法及系统可以解决不同模态的学习程度不同导致难以提升模型准确性的问题,可以充分学习到每个单模态的特征,在训练中充分利用各模态的信息,提升模型的训练效果和准确性。

    交易平台中节点属性信息检测模型的训练方法和训练装置

    公开(公告)号:CN115965071A

    公开(公告)日:2023-04-14

    申请号:CN202211468830.8

    申请日:2022-11-22

    Inventor: 吴书 刘强 李志勋

    Abstract: 本发明涉及人工智能技术领域,尤其涉及一种交易平台中节点属性信息检测模型的训练方法和训练装置。其中,模型训练方法包括,获取交易平台的图网络数据,选取图网络数据中部分节点作为样本节点,对各样本节点的真实属性信息进行标注;节点的属性信息包括异常节点,或者正常节点;将图网络数据输入到初始节点属性信息检测模型中,得到各样本节点对应的预测属性信息;根据样本节点的真实属性信息和预测属性信息对初始节点属性信息检测模型的模型参数进行更新,以得到训练后的节点属性信息检测模型。这样通过深度学习得到的节点属性信息检测模型,可以更加精确的检测出交易平台中节点属性信息。

    基于高阶用户偏好的推荐方法

    公开(公告)号:CN105069140A

    公开(公告)日:2015-11-18

    申请号:CN201510511083.5

    申请日:2015-08-19

    CPC classification number: G06F17/30867

    Abstract: 一种基于高阶用户偏好的推荐方法,包括:利用用户-物品评分数据集,计算用户对成对物品的高阶偏好值,构建用户-物品-物品成对偏好数据集;初始化模型,从正态分布中随机选取值对模型初始化;从评分数据集和成对偏好数据集中选择相关数据;计算误差和用户偏好相似度,构成最优化准则;计算偏好指标梯度,更新模型;重复步骤直到模型参数收敛。本发明方法由OPTRP最优化准则和LearnRP学习算法组成,通过学习可以产生已有CF模型,且还可产生新模型,能有效地处理高度偏斜的评分数据集,使得推荐系统的预测精度和推荐准确度都得到提高,在真实场景中有重要的应用价值。

    基于卷积神经网络的显著信息检测方法及装置

    公开(公告)号:CN106844765B

    公开(公告)日:2019-12-20

    申请号:CN201710098500.7

    申请日:2017-02-22

    Abstract: 本发明公开了一种基于卷积神经网络的显著信息检测方法及装置。所述方法包括:对于所爬取的数据集,确定每个事件发展各个阶段的时间分布,并确定时间节点;对于每一个事件,根据所确定的时间节点将所述事件样本对应的所有的事件信息分成若干份,将每一个时间阶段内事件信息的文本内容拼接成一个段落,生成段落数据集;根据段落的分布表达算法学习所述段落数据集中每个段落的无监督表达向量;对于一个事件,将每个段落的无监督表达向量输入到深度卷积神经网络模型,利用多层卷积操作得到事件各个阶段的低层到高层的表达,通过k最大池化操作提取事件各个阶段的关键特征,最后通过一个全连接层对输入的信息进行不实信息的分类。

    一种基于多视角数据和循环网络构建序列预测模型的方法

    公开(公告)号:CN106600347A

    公开(公告)日:2017-04-26

    申请号:CN201710041240.X

    申请日:2017-01-17

    Abstract: 本发明公开了一种基于多视角数据和循环网络的序列预测方法,其包括:获取多个用户在不同时刻购买的多个物品的数据,并对数据进行预处理;对所述预处理后的数据进行组合获取物品表达,将各用户物品表达按购买时间排序,形成用户序列;将当前用户序列送到循环网络模型的输入端进行训练;所述循环网络的处理端建立当前用户的表达,输出端计算当前用户对物品的偏好值;更新所述循环网络模型参数;将下一用户序列送到循环网络的输入端进行训练,直至所有用户序列都训练一次称为一次迭代;每次迭代更新全部偏好值的和,迭代多次,直至偏好值的和达到极大值或极小值,迭代结束。

    基于上下文转换向量模型的推荐方法和系统

    公开(公告)号:CN104809107A

    公开(公告)日:2015-07-29

    申请号:CN201510253508.7

    申请日:2015-05-18

    Abstract: 本发明公开一种基于上下文转换向量模型的推荐方法及系统,该推荐方法包括:步骤1,将上下文常用语义作用表示为一个上下文词典,将上下文表示为一个隐含向量表示,多个隐含向量表示形成隐含矩阵表示,隐含矩阵表示配合对应的权重向量生成特定属性的隐含向量表示;步骤2,基于步骤1中词典生成上下文度量转换子;步骤3,由步骤2中矩阵和用户、产品的隐含向量表示生成对应于特定环境的用户隐含向量表示和产品隐含向量表示;步骤4,由步骤3中的向量计算出预测值。本发明引入用户隐含向量表示、产品隐含向量表示、上下文集合的隐含矩阵表示,去除了原始向量空间中的一些“噪音”,获得比其他现有模型的预测更准确的效果。

    文本引导分子生成方法、装置及存储介质

    公开(公告)号:CN118230805A

    公开(公告)日:2024-06-21

    申请号:CN202410178684.8

    申请日:2024-02-11

    Abstract: 本申请实施例提供一种文本引导分子生成方法、装置及存储介质,所述方法包括:确定分子描述语言的语言表征向量;将所述语言表征向量输入至训练后的第一扩散语言模型中,获取所述训练后的第一扩散语言模型输出的初始分子;将所述初始分子输入至训练后的第二扩散语言模型中,获取所述训练后的第二扩散语言模型输出的目标分子。本申请实施例提供的文本引导分子生成方法、装置及存储介质,通过第一扩散语言模型和第二扩散语言模型这两阶段的扩散过程分别捕捉文本的语义描述和修正生成分子的语法错误,从而生成目标分子,能够提高生成分子的准确率。

    用于混合表格文本证据的事实验证方法、装置及存储介质

    公开(公告)号:CN118230340A

    公开(公告)日:2024-06-21

    申请号:CN202410178548.9

    申请日:2024-02-09

    Abstract: 本申请实施例提供一种用于混合表格文本证据的事实验证方法、装置及存储介质,所述方法包括:获取证据数据,所述证据数据包括表格证据数据和文本证据数据;基于预训练语言模型和关系图网络模型获取目标图节点表示矩阵;基于所述证据数据和注意力机制对所述目标图节点表示矩阵进行聚合,获取事实验证结果。本申请实施例提供的用于混合表格文本证据的事实验证方法、装置及存储介质,通过运用图神经网络方法结合预训练语言模型挖掘证据和断言以及证据和证据之间的关联,利用证据级别的信息聚合和注意力机制辅助模型区分有效和无效证据,可以提高模型基于证据进行事实验证的准确性。

    基于时序元学习的动态知识图谱预测方法和装置

    公开(公告)号:CN116108195A

    公开(公告)日:2023-05-12

    申请号:CN202211551913.3

    申请日:2022-12-05

    Abstract: 本申请公开了一种基于时序元学习的动态知识图谱预测方法和装置,其中方法包括:获取多个历史时刻对应的知识图谱;将所述多个历史时刻对应的知识图谱输入至知识图谱预测模型,得到所述知识图谱预测模型输出的当前时刻对应的知识图谱的预测结果;所述知识图谱预测模型是基于多个在时序上相互关联的元学习任务对基模型进行训练后得到的;各个元学习任务中的支持集和查询集是基于相邻历史时刻对应的知识图谱确定的。本申请提供的方法和装置,提高了知识图谱预测模型对于动态知识图谱中时序元知识的学习能力,提高了知识图谱预测模型对于未知实体或者未知关系的预测能力,提高了动态知识图谱用于事件预测的准确性。

    基于动态表达学习的不实信息检测方法和装置

    公开(公告)号:CN106910013A

    公开(公告)日:2017-06-30

    申请号:CN201710085225.5

    申请日:2017-02-16

    CPC classification number: G06Q10/063 G06Q50/01 H04L63/12 H04L63/302 H04L63/306

    Abstract: 本发明公开一种基于动态表达学习的不实信息检测方法,包括以下步骤:获取待检测信息;利用预先建立的检测模型对所述待检测信息进行检测;输出检测结果;其中,检测模型如下建立:步骤S1,首先建模联合表示用户信息和该用户行为信息的某一事件的动态行为表达式;用户信息包含用户的特征和用户可信度,行为信息包含行为类型;步骤S2,一个事件由不同信息组成,结合步骤S1中的所述动态行为表达式,最终得出事件可信度检测表达式;步骤S3,运用时间特征矩阵来取得在信息传播过程中用户动态行为特征连步骤S4,生成用户特征表达;步骤S5,利用配对学习法估算检测模型参数。

Patent Agency Ranking