-
公开(公告)号：CN118898269B
公开(公告)日：2025-04-18
申请号：CN202410933291.3
申请日：2024-07-12
Applicant: 北京林业大学
IPC: G06N3/045 , G06N3/0895 , G06N3/098 , G06N5/04 , G06F18/25 , G06N5/025 , G06F18/214
Abstract: 本发明提供一种基于大语言模型的自适应知识增强的多域推荐方法，包括：获取目标用户的样本数据；基于多个推荐域对应的文本信息分别构建域共享提示模板；基于目标用户在目标域对应的文本信息和用户知识库构建独域提示模板；调用大语言模型基于域共享提示模板和独域提示模板进行特征学习，得到目标用户的域不变特征和独域偏好特征；基于目标用户的域不变特征和独域偏好特征进行多任务模型构建，对多任务模型进行优化训练生成多域推荐模型，通过多域推荐模型完成针对目标用户的多域推荐。通过设计两类提示模板对大语言模型进行训练，学习目标用户的域不变特征和独域偏好特征，有效提升了多域推荐模型的预测性能。
-
Patent Agency Ranking
公开(公告)号：CN119784975A
公开(公告)日：2025-04-08
申请号：CN202510265093.9
申请日：2025-03-07
Applicant: 北京林业大学
IPC: G06T17/20 , G06V10/762 , G06V10/26 , G06T7/10 , G06N3/0455 , G06N3/0442 , G06N3/08 , G06V40/10 , G06V10/44 , G06V10/82
Abstract: 本发明公开了一种基于UWB信号的高分辨率三维人体成像方法，包括：S1、通过UWB MIMO雷达系统采集人体表面的动态回波信号，并去除静态背景噪声，得到UWB动态目标信号；S2、将UWB动态目标信号反投影到三维坐标系中，得到UWB信号点云；S3、通过时间序列模型对UWB信号点云进行补全，并提取人体全局特征和人体局部特征；S4、根据人体全局特征和局部特征，通过Transformer网络提取人体综合特征参数；S5、将人体综合特征参数映射到人体形态和姿态参数，生成三维人体网格，本发明通过端到端的深度学习优化，实现了三维人体在遮挡场景和动态动作下的高精度、稳定性强的网格重建效果。
-
公开(公告)号：CN118468030B
公开(公告)日：2024-11-22
申请号：CN202410627565.6
申请日：2024-05-21
Applicant: 北京林业大学
IPC: G06F18/214 , G06F18/2431 , G06F18/22 , G06N3/096
Abstract: 本发明公开了一种少样本连续增量关系抽取方法和系统，包括：输入准备：获取待抽取关系的文本和任务指令。双重提示模块：使用双重提示的方法增强模型的适应性和泛化能力，包括g‑prompt和e‑prompt。任务难度递进模块：对g‑prompt中的提示进行排序。使用余弦相似度计算e‑prompt与g‑prompt的相关性，并按相关性对g‑prompt中的提示进行顺序优化。拼接优化后的g‑prompt与e‑prompt，得到双重提示。关系抽取：将文本嵌入与双重提示相结合，将双重提示与文本嵌入相结合，输入大模型以生成关系抽取结果。本发明的优点是：减少内存需求，降低训练成本，在少样本情况下，也能取得良好效果，确保按合理顺序学习，减少灾难性遗忘。
-
公开(公告)号：CN118898269A
公开(公告)日：2024-11-05
申请号：CN202410933291.3
申请日：2024-07-12
Applicant: 北京林业大学
IPC: G06N3/045 , G06N3/0895 , G06N3/098 , G06N5/04 , G06F18/25 , G06N5/025 , G06F18/214
Abstract: 本发明提供一种基于大语言模型的自适应知识增强的多域推荐方法，包括：获取目标用户的样本数据；基于多个推荐域对应的文本信息分别构建域共享提示模板；基于目标用户在目标域对应的文本信息和用户知识库构建独域提示模板；调用大语言模型基于域共享提示模板和独域提示模板进行特征学习，得到目标用户的域不变特征和独域偏好特征；基于目标用户的域不变特征和独域偏好特征进行多任务模型构建，对多任务模型进行优化训练生成多域推荐模型，通过多域推荐模型完成针对目标用户的多域推荐。通过设计两类提示模板对大语言模型进行训练，学习目标用户的域不变特征和独域偏好特征，有效提升了多域推荐模型的预测性能。
-
公开(公告)号：CN118468030A
公开(公告)日：2024-08-09
申请号：CN202410627565.6
申请日：2024-05-21
Applicant: 北京林业大学
IPC: G06F18/214 , G06F18/2431 , G06F18/22 , G06N3/096
Abstract: 本发明公开了一种少样本连续增量关系抽取方法和系统，包括：输入准备：获取待抽取关系的文本和任务指令。双重提示模块：使用双重提示的方法增强模型的适应性和泛化能力，包括g‑prompt和e‑prompt。任务难度递进模块：对g‑prompt中的提示进行排序。使用余弦相似度计算e‑prompt与g‑prompt的相关性，并按相关性对g‑prompt中的提示进行顺序优化。拼接优化后的g‑prompt与e‑prompt，得到双重提示。关系抽取：将文本嵌入与双重提示相结合，将双重提示与文本嵌入相结合，输入大模型以生成关系抽取结果。本发明的优点是：减少内存需求，降低训练成本，在少样本情况下，也能取得良好效果，确保按合理顺序学习，减少灾难性遗忘。
-
公开(公告)号：CN119743230A
公开(公告)日：2025-04-01
申请号：CN202510246622.0
申请日：2025-03-04
Applicant: 北京林业大学
Abstract: 本发明提供了一种面向整体安全性的无人机物理层传输方法，属于无人机通信领域。该方法包括获取通信无人机每个时刻的位置和功率信息，以及用户每个时刻的位置；计算得到以通信无人机在地面为圆心、R为半径的威胁区域；将威胁区域通过网格的方式进行离散化处理，并构建长度为n的向量；对每个时刻建立向量中元素与位置安全性的问题，并将时间的优化问题进行求和，将求和结果作为最终的优化问题；根据最终的优化问题，利用长短期记忆网络得到通信无人机在通信环境中的时间特征，完成面向整体安全性的无人机物理层传输。本发明能够在各种复杂的无人机通信场景下快速建立安全传输策略，并且具有较低的计算复杂度。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
