-
公开(公告)号：CN112149004A
公开(公告)日：2020-12-29
申请号：CN202011187518.2
申请日：2020-10-30
Applicant: 中国科学院计算技术研究所
IPC: G06F16/9536 , G06F16/9535 , G06F16/36 , G06F16/33
Abstract: 本发明提供一种基于知识图谱的个性化推荐方法，包括：S1、将用户集中的用户与物品集中的物品的历史交互数据和原有知识图谱结合到协同知识图谱中，在所述协同知识图谱中将用户与其交互物品在知识图谱中对应的实体使用有向边进行连接；S2、用四元数向量表示协同知识图谱中的每一个实体和关系；S3、采用注意力机制将实体的四元数嵌入沿着协同知识图谱的路径进行偏好传播与聚合；S4、基于完成偏好传播与聚合后的协同知识图谱，构建偏好分数预测函数计算每个用户与不同物品的偏好分数；S5、采用损失函数联合优化协同知识图谱的嵌入和偏好分数预测函数；S6、采用优化后的偏好分数预测函数预测用户对新物品的偏好分数，得到针对用户的新物品推荐列表。
-
公开(公告)号：CN114417975A
公开(公告)日：2022-04-29
申请号：CN202111591020.7
申请日：2021-12-23
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06V20/69 , G06V10/764 , G06V10/774 , G06V10/778 , G06V10/82 , G06F16/35
Abstract: 本发明提出一种基于基于深度PU学习与类别先验估计的数据分类方法和系统，本发明能同时估计类别先验，并利用所得先验估计学习深度模型，而无需已知数据的真实先验分布，从而更适用于PU学习在实际场景中的应用。本发明所提出的迭代框架包括将网络的预测分数建模为GMM，从而估计正类先验；基于正类先验的估计值，进行无偏PU学习；进而结合半监督学习的平均教师、温度锐化等技术，提高算法性能和稳定性。该框架能应用于包括计算机视觉、推荐系统、生物医疗等在内各领域的PU问题，并且效果优异，兼具科学价值和实用价值。
-
公开(公告)号：CN113034537A
公开(公告)日：2021-06-25
申请号：CN202110220558.0
申请日：2021-02-26
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于多几何模型融合的结构一致性运动分割方法，包括：根据目标视频中多个几何模型的跟踪点的已知轨迹信息，获取各跟踪点之间的相似度，构建为基础相似度矩阵；更新该基础相似度矩阵直至收敛；对该基础相似度矩阵进行聚合得到共识相似度矩阵；对该共识相似度矩阵进行谱聚类得到运动分割标签；通过该运动分割标签对该几何模型进行运动分割。还提出一种基于多几何模型融合的结构一致性运动分割系统，以及一种数据处理装置。
-
公开(公告)号：CN117057336A
公开(公告)日：2023-11-14
申请号：CN202311091193.1
申请日：2023-08-28
Applicant: 中国科学院计算技术研究所
IPC: G06F40/189 , G06F16/36 , G06F18/214
Abstract: 本发明实施例提供了一种知识图谱实体对齐系统构建方法，该方法：S1、构建初始知识图谱实体对齐系统，其中，所述初始知识图谱实体对齐系统包括：源编码单元、目标编码单元、融合映射单元、相似度度量单元以及对齐单元；S2、获取源知识图谱和目标知识图谱以及对应的实体对应数据池；S3、利用源知识图谱和目标知识图谱以及对应的实体对应数据池，对所述初始知识图谱实体对齐系统进行多次迭代训练，并在每次迭代训练中按照预设的多组损失函数分别更新所述源编码单元、所述目标编码单元以及所述融合映射单元的参数。通过上述方法构建的初始知识图谱实体对齐系统经训练能够得到的一个可以有效解决不同知识图谱之间的异构性问题的知识图谱实体对齐系统。
-
公开(公告)号：CN118982719A
公开(公告)日：2024-11-19
申请号：CN202411121102.9
申请日：2024-08-15
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提供了一种用于训练图像分类模型的方法，包括：获取当前批次的样本，该批次的样本构成的集合具有长尾分布的性质；将当前批次的样本图像输入模型，利用模型参数确定输入图像的第一分类预测值，根据第一分类预测值、标签和总损失函数确定第一梯度，总损失函数为原始损失函数减去加权系数乘以锐度优化损失函数；根据当前批次中属于每个类别的样本图像对应的第一分类预测值和标签，确定模型参数对应的扰动；将模型参数与扰动相加，得到扰动参数；将当前批次的样本图像输入模型，利用模型的扰动参数确定输入图像的第二分类预测值，根据第二分类预测值、标签和锐度优化损失函数，确定第二梯度；根据第一梯度和第二梯度，更新所述模型参数。
-
Patent Agency Ranking
公开(公告)号：CN113034537B
公开(公告)日：2023-03-07
申请号：CN202110220558.0
申请日：2021-02-26
Applicant: 中国科学院计算技术研究所
IPC: G06T7/215 , G06V20/40 , G06V10/762
Abstract: 本发明提出一种基于多几何模型融合的结构一致性运动分割方法，包括：根据目标视频中多个几何模型的跟踪点的已知轨迹信息，获取各跟踪点之间的相似度，构建为基础相似度矩阵；更新该基础相似度矩阵直至收敛；对该基础相似度矩阵进行聚合得到共识相似度矩阵；对该共识相似度矩阵进行谱聚类得到运动分割标签；通过该运动分割标签对该几何模型进行运动分割。还提出一种基于多几何模型融合的结构一致性运动分割系统，以及一种数据处理装置。
-
公开(公告)号：CN118173200A
公开(公告)日：2024-06-11
申请号：CN202410339214.5
申请日：2024-03-25
Applicant: 中国科学院计算技术研究所
IPC: G16C20/70 , G16C20/90 , G06F18/214 , G06F18/213 , G06F18/2433 , G06F18/20 , G06F18/22
Abstract: 本发明提供一种图检测模型的构建方法，该方法包括：获取初始图训练集，其中，所述初始图训练集中包括多个图数据，所有的图数据服从相同的分布；按照预设的方法获取与所述初始图训练集中的图数据不同分布的图数据以构成异常图数据集；将所述初始图训练集和所述异常图数据集构成训练集对所述图检测模型进行多次迭代训练至收敛，并在每次迭代训练过程中按照预设的损失更新图检测模型的参数。本发明的方法提高了图检测模型的性能，从而提高了图数据分布类型的检测准确性。
-
公开(公告)号：CN117059159A
公开(公告)日：2023-11-14
申请号：CN202311086583.X
申请日：2023-08-28
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种有向图嵌入表示模型的构建方法，所述方法包括：T1、构建初始模型，所述初始模型包括特征获取模块和拓扑信息聚合模块；T2、获取有向图对所述初始模型进行多轮迭代训练以得到有向图嵌入表示模型，且每轮迭代训练包括：T21、获取每一实体对应的当前轮特征表示；T22、获取每一实体对应的当前轮拓扑表示；T23、从所述有向图的所有实体中随机选择多个实体作为多个正样本，并构建与每个正样本对应的负样本集合；T24、获取每个正样本对应的当前轮特征表示和当前轮拓扑表示，以及每个负样本对应的当前轮拓扑表示；T25、按照预设的损失函数计算当前轮迭代损失，并根据当前轮迭代损失更新所述初始模型的参数。
-
公开(公告)号：CN117057394A
公开(公告)日：2023-11-14
申请号：CN202311040633.0
申请日：2023-08-18
Applicant: 中国科学院计算技术研究所
IPC: G06N3/042 , G06N3/0455 , G06N3/088 , H04L9/40 , G06Q30/018
Abstract: 本发明提供一种图异常检测系统构建方法，所述方法包括：S1、获取原始图，所述原始图包括节点集、边集、属性矩阵、邻接矩阵；S2、执行第一阶段训练，包括：S21、对所述原始图分别进行节点掩蔽处理、边掩蔽处理和/或子图掩蔽处理以得到节点掩蔽图、边掩蔽图和/或、子图掩蔽图；S22、分别采用节点掩蔽图、边掩蔽图和/或、子图掩蔽图训练图自编码器至收敛以获得节点级图编码器、边级编码器和/或、子图级编码器；S3、执行第二阶段训练，包括：以所述步骤S2中训练好的节点级图编码器、边级编码器和/或、子图级编码器以及聚合模块、属性解码器、结构解码器构建初始图异常检测系统，以原始图训练所述属性解码器和结构解码器至收敛。
-
公开(公告)号：CN112149004B
公开(公告)日：2022-10-25
申请号：CN202011187518.2
申请日：2020-10-30
Applicant: 中国科学院计算技术研究所
IPC: G06F16/9536 , G06F16/9535 , G06F16/36 , G06F16/33
Abstract: 本发明提供一种基于知识图谱的个性化推荐方法，包括：S1、将用户集中的用户与物品集中的物品的历史交互数据和原有知识图谱结合到协同知识图谱中，在所述协同知识图谱中将用户与其交互物品在知识图谱中对应的实体使用有向边进行连接；S2、用四元数向量表示协同知识图谱中的每一个实体和关系；S3、采用注意力机制将实体的四元数嵌入沿着协同知识图谱的路径进行偏好传播与聚合；S4、基于完成偏好传播与聚合后的协同知识图谱，构建偏好分数预测函数计算每个用户与不同物品的偏好分数；S5、采用损失函数联合优化协同知识图谱的嵌入和偏好分数预测函数；S6、采用优化后的偏好分数预测函数预测用户对新物品的偏好分数，得到针对用户的新物品推荐列表。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
