双会话增强的时间感知查询补全系统和方法

    公开(公告)号:CN118964576A

    公开(公告)日:2024-11-15

    申请号:CN202411145608.3

    申请日:2024-08-20

    Abstract: 本发明提出了一种双会话增强的时间感知查询补全模型,特别适用于搜索引擎的实时查询补全场景。通过引入时间感知和个性化特征,本方法能有效提升查询补全的准确性和相关性。具体而言,发明包括:查询日志筛选模块,用于基于时间戳和用户ID对查询日志进行个性化和公共日志的区分与筛选;双会话增强的时间感知会话子集筛选模块,通过计算语义和时间相似度,筛选出个性化和公共时间感知会话子集;流行度感知特征子集构建模块,结合查询日志的流行度信息;以及基于NLG模型的输出模块,整合上述信息,生成查询补全候选列表。本发明通过深度学习技术,实现了对查询趋势动态变化的捕捉,增强了查询补全的时效性和个性化,显著提升了用户体验。

    双会话增强的时间感知查询补全系统和方法

    公开(公告)号:CN119782475A

    公开(公告)日:2025-04-08

    申请号:CN202411869441.5

    申请日:2024-12-18

    Abstract: 本发明提出了一种双会话增强的时间感知查询补全模型,特别适用于搜索引擎的实时查询补全场景。通过引入时间感知和个性化特征,本方法能有效提升查询补全的准确性和相关性。具体而言,发明包括:查询日志筛选模块,用于基于时间戳和用户ID对查询日志进行个性化和公共日志的区分与筛选;双会话增强的时间感知会话子集筛选模块,通过计算语义和时间相似度,筛选出个性化和公共时间感知会话子集;流行度感知特征子集构建模块,结合查询日志的流行度信息;以及基于NLG模型的输出模块,整合上述信息,生成查询补全候选列表。本发明通过深度学习技术,实现了对查询趋势动态变化的捕捉,增强了查询补全的时效性和个性化,显著提升了用户体验。

    基于多任务的混合式流行推荐方法

    公开(公告)号:CN119106193A

    公开(公告)日:2024-12-10

    申请号:CN202411257960.6

    申请日:2024-09-09

    Abstract: 本发明提出了一种基于多任务的混合式流行推荐方法。该方法包括:基于多任务的去流行偏差因果推荐,通过因果推荐分析,利用多任务建模不同因果路径下的流行偏差影响,并结合偏差放大分数和其他流行偏差因素,实现去流行偏差推荐;基于项目流行传播建模的流行度利用,提出动态跨度以建模流行度短期波动,并结合自适应注意力机制预测未来流行度;基于未来流行度建模传播动量,最后融合去偏差推荐分数和传播动量,实现混合式流行推荐。该方法有效提升了推荐精度与准确性,有助于精准消除流行偏差并利用项目流行传播信息,特别是在长尾数据集上效果更为显著。

    基于密集连接带孔卷积网络的初级特征提取器及提取方法

    公开(公告)号:CN111191674B

    公开(公告)日:2024-08-06

    申请号:CN201911208300.8

    申请日:2019-11-30

    Inventor: 田萱 王亮 孟祥光

    Abstract: 本发明属于图像信息处理技术领域,公开了一种基于密集连接带孔卷积网络的初级特征提取器及提取方法,初级特征解码器由多个不同卷积核的反卷积层组成,输出的特征图由多个反卷积层进行处理;特征结合层:由kernel为1×1、stride为1卷积层构成,进行降维处理;特征还原器由多个不同卷积核的反卷积层组成。本发明以DenseNet的密集连接方式连接带孔卷积并以此来构建DenseAtrousCNet的网络结构,能够同时获得带孔卷积和DenseNet的优势,既保留了传统神经网络的优点,又能够捕获更多的稠密特征,提升图像语义信息的利用率,而实现真正意义上的端到端的图像语义分割。

    基于密集连接带孔卷积网络的初级特征提取器及提取方法

    公开(公告)号:CN111191674A

    公开(公告)日:2020-05-22

    申请号:CN201911208300.8

    申请日:2019-11-30

    Inventor: 田萱 王亮 孟祥光

    Abstract: 本发明属于图像信息处理技术领域,公开了一种基于密集连接带孔卷积网络的初级特征提取器及提取方法,初级特征解码器由多个不同卷积核的反卷积层组成,输出的特征图由多个反卷积层进行处理;特征结合层:由kernel为1×1、stride为1卷积层构成,进行降维处理;特征还原器由多个不同卷积核的反卷积层组成。本发明以DenseNet的密集连接方式连接带孔卷积并以此来构建DenseAtrousCNet的网络结构,能够同时获得带孔卷积和DenseNet的优势,既保留了传统神经网络的优点,又能够捕获更多的稠密特征,提升图像语义信息的利用率,而实现真正意义上的端到端的图像语义分割。

    基于密集连接全局平均带孔金字塔池化模型的再编码器

    公开(公告)号:CN111275775A

    公开(公告)日:2020-06-12

    申请号:CN201911208315.4

    申请日:2019-11-30

    Inventor: 田萱 王亮 孟祥光

    Abstract: 本发明属于语义图像分割技术领域,公开了一种基于密集连接全局平均带孔金字塔池化模型的再编码器,包括:第一卷积层、第二卷积层、第一特征图处理模块、第一密集连接全局平均带孔金字塔池化模块、第二特征图处理模块、第三特征图处理模块、第二密集连接全局平均带孔金字塔池化模块、第三密集连接全局平均带孔金字塔池化模块、第四特征图处理模块、特征结合层。本发明局部特征和全局特征的利用率更为合理;可以较好的降低网络参数、降低通道数,减少模型参数大小和计算量;再编码器有助于优化粗糙分割结果的边界曲线,提高ISS的分割准确率,降低网络模型运算量和避免卷积退化现象。

Patent Agency Ranking