-
公开(公告)号：CN108875916B
公开(公告)日：2021-07-16
申请号：CN201810675109.3
申请日：2018-06-27
Applicant: 北京工业大学
Abstract: 本发明公开一种基于GRU神经网络的广告点击率预测方法。在数据预处理时，构建了基于广告的时间序列数据，相比于用户序列数据，增强了序列数据之间的完整性和稳定性；然后通过one‑hot编码对文本特征进行数字化编码且只取映射值中bit值为1的下标作为字符的映射值，这样极大减少了特征的维度，提高了模型的训练速度。本发明采用了回归算法与深度学习算法相结合来形成最终的预测方法。首先用岭回归算法进行特征选择，减少了无效特征对模型训练的干扰，然后用基于LSTM神经网络改进的GRU神经网络来进行模型的训练与预测，GRU的预测模型相比于RNN的预测模型能提高预测的准确率，相比于LSTM的预测模型，它能在提升预测的准确率的同时，能更快速地进行模型的训练。
-
公开(公告)号：CN109901922B
公开(公告)日：2021-06-18
申请号：CN201910161937.X
申请日：2019-03-05
Applicant: 北京工业大学
Abstract: 本发明公开了一种面向多层服务的容器云资源调度优化方法，该方法包括如下的步骤：根据为多个多层服务提供服务的需求，构建由多个异构容器构成的容器云架构；根据该架构，建立云服务提供商对于容器云的整体收益函数；根据排队论提供多层服务下各层服务的响应状态，结合收益函数得出整体的收益模型，并根据各层服务的服务要求，为收益模型设定初始解；针对上述模型的优化问题，给出一种资源分配优化算法，进而根据算法的解进行资源分配，从而达到云服务提供商效益最大化。本方法能够为云服务提供商提供一种容器云的优化策略，考虑了多层相关微服务在容器云中的弹性运营策略，能够根据用户的需求动态的分配资源，提高了云资源的利用率。
-
公开(公告)号：CN109901922A
公开(公告)日：2019-06-18
申请号：CN201910161937.X
申请日：2019-03-05
Applicant: 北京工业大学
Abstract: 本发明公开了一种面向多层服务的容器云资源调度优化方法，该方法包括如下的步骤：根据为多个多层服务提供服务的需求，构建由多个异构容器构成的容器云架构；根据该架构，建立云服务提供商对于容器云的整体收益函数；根据排队论提供多层服务下各层服务的响应状态，结合收益函数得出整体的收益模型，并根据各层服务的服务要求，为收益模型设定初始解；针对上述模型的优化问题，给出一种资源分配优化算法，进而根据算法的解进行资源分配，从而达到云服务提供商效益最大化。本方法能够为云服务提供商提供一种容器云的优化策略，考虑了多层相关微服务在容器云中的弹性运营策略，能够根据用户的需求动态的分配资源，提高了云资源的利用率。
-
公开(公告)号：CN108875916A
公开(公告)日：2018-11-23
申请号：CN201810675109.3
申请日：2018-06-27
Applicant: 北京工业大学
Abstract: 本发明公开一种基于GRU神经网络的广告点击率预测方法。在数据预处理时，构建了基于广告的时间序列数据，相比于用户序列数据，增强了序列数据之间的完整性和稳定性；然后通过one‑hot编码对文本特征进行数字化编码且只取映射值中bit值为1的下标作为字符的映射值，这样极大减少了特征的维度，提高了模型的训练速度。本发明采用了回归算法与深度学习算法相结合来形成最终的预测方法。首先用岭回归算法进行特征选择，减少了无效特征对模型训练的干扰，然后用基于LSTM神经网络改进的GRU神经网络来进行模型的训练与预测，GRU的预测模型相比于RNN的预测模型能提高预测的准确率，相比于LSTM的预测模型，它能在提升预测的准确率的同时，能更快速地进行模型的训练。
-
-
-
Search Results
4
records
(took 0.015 seconds)
