-
公开(公告)号：CN117972381A
公开(公告)日：2024-05-03
申请号：CN202410390771.X
申请日：2024-04-02
Applicant: 华侨大学
Abstract: 本发明公开了一种基于扩散模型的互联网保险用户特征筛选方法及装置，涉及数据处理领域，包括：采用结构因果模型将用户的特征数据的集合中的若干个特征数据建模成结构因果图，并初始化因果列表；对扩散模型进行的训练过程进行改进，引入马尔可夫转移概率矩阵描述离散型变量的加噪过程，得到经训练的扩散模型；将扩散模型与结构因果图结合，对经训练的扩散模型进行迭代更新，并计算得到落叶分数，根据落叶分数确定去除已经确定为叶子节点后的特征数据为叶子节点并加入因果列表中进行拓扑排序，更新掩码；在用户的特征数据的集合中遮盖掉掩码，重复上一步骤，最终得到特征数据筛选的结果，解决难以捕捉到互联网保险用户的异质性等问题。
-
公开(公告)号：CN115117254A
公开(公告)日：2022-09-27
申请号：CN202210661027.X
申请日：2022-06-13
Applicant: 华侨大学
Abstract: 本发明公开了一种钙钛矿太阳电池的改性方法和高效稳定钙钛矿太阳电池及其制备方法。改性是通过一步旋涂法将荧光素钠的异丙醇溶液旋涂在钙钛矿层靠近空穴传输层一侧的表面，在手套箱内制备形成改性钙钛矿薄膜，进而提高了钙钛矿太阳电池的各项光伏性能。本发明还依次通过SnO2电子传输层、钙钛矿吸光层、荧光素钠钝化层、空穴传输层的制备，以及电极的蒸镀和电池组装，最终得到的钙钛矿太阳电池。其光电转换效率高达23.24％，且老化720小时后仍然保持初始效率87％以上的光电转换效率，该制备方法操作简易，质量高、重复性好。
-
公开(公告)号：CN119228505A
公开(公告)日：2024-12-31
申请号：CN202411419774.8
申请日：2024-10-12
Applicant: 华侨大学
IPC: G06Q30/0601 , G06Q30/0282 , G06Q40/08 , G06N3/042 , G06N3/08
Abstract: 本发明公开了一种基于邻居增强图注意力网络的互联网保险产品推荐方法及装置，包括：构建用户‑产品交互矩阵和用户‑用户社会关系图；将用户‑产品交互矩阵和用户‑用户社会关系图输入经训练的评分数据预测模型，分别进行产品聚合和社会聚合，得到第一用户潜在表示向量和第二用户潜在表示向量，根据第一用户潜在表示向量和第二用户潜在表示向量得到用户表示向量；再进行用户聚合，得到产品表示向量；根据用户表示向量和产品表示向量进行评分预测，得到用户‑产品交互矩阵中的所有未知的评分数据的预测值；根据用户‑产品交互矩阵中的所有评分数据进行Top‑k推荐，得到每个用户的推荐产品序列。本发明能够解决社会关系不一致性导致的误差问题。
-
公开(公告)号：CN118657255B
公开(公告)日：2024-11-22
申请号：CN202411113958.1
申请日：2024-08-14
Applicant: 华侨大学
IPC: G06N3/0455 , G06N3/084 , G06Q10/04 , G06F18/213 , G06F18/25
Abstract: 本发明提供一种基于小波多分辨率分解的深度学习工单量预测方法，属于时间序列预测领域，包括：将每组工单样本输入ExWaveformer模型的事件检测器中提取工单类型特征；获取工单量历史输入序列和预测输入序列分别输入编码器和解码器中；将工单量预测输入序列分解为趋势分量和周期随机分量，对周期随机分量提取频域特征后重构回时域，在时域使用自注意力提取关联特征并在编码器中编码为隐向量；计算时域交叉注意力得到重构的周期随机隐向量，将其融合趋势分量得到最终生成的工单量预测序列；步骤S6、更新参数，最终得到训练好的预测模型。本发明能够降低时间复杂度，提升预测精度，当实际运用场景中出现突发事件情况下仍然能够准确预测。
-
公开(公告)号：CN115117254B
公开(公告)日：2024-09-06
申请号：CN202210661027.X
申请日：2022-06-13
Applicant: 华侨大学
Abstract: 本发明公开了一种钙钛矿太阳电池的改性方法和高效稳定钙钛矿太阳电池及其制备方法。改性是通过一步旋涂法将荧光素钠的异丙醇溶液旋涂在钙钛矿层靠近空穴传输层一侧的表面，在手套箱内制备形成改性钙钛矿薄膜，进而提高了钙钛矿太阳电池的各项光伏性能。本发明还依次通过SnO2电子传输层、钙钛矿吸光层、荧光素钠钝化层、空穴传输层的制备，以及电极的蒸镀和电池组装，最终得到的钙钛矿太阳电池。其光电转换效率高达23.24％，且老化720小时后仍然保持初始效率87％以上的光电转换效率，该制备方法操作简易，质量高、重复性好。
-
Patent Agency Ranking
公开(公告)号：CN117972381B
公开(公告)日：2024-08-27
申请号：CN202410390771.X
申请日：2024-04-02
Applicant: 华侨大学
Abstract: 本发明公开了一种基于扩散模型的互联网保险用户特征筛选方法及装置，涉及数据处理领域，包括：采用结构因果模型将用户的特征数据的集合中的若干个特征数据建模成结构因果图，并初始化因果列表；对扩散模型进行的训练过程进行改进，引入马尔可夫转移概率矩阵描述离散型变量的加噪过程，得到经训练的扩散模型；将扩散模型与结构因果图结合，对经训练的扩散模型进行迭代更新，并计算得到落叶分数，根据落叶分数确定去除已经确定为叶子节点后的特征数据为叶子节点并加入因果列表中进行拓扑排序，更新掩码；在用户的特征数据的集合中遮盖掉掩码，重复上一步骤，最终得到特征数据筛选的结果，解决难以捕捉到互联网保险用户的异质性等问题。
-
公开(公告)号：CN118154244B
公开(公告)日：2024-07-19
申请号：CN202410572139.7
申请日：2024-05-10
Applicant: 华侨大学
IPC: G06Q30/0202 , G06Q50/47 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06F18/22 , G06F123/02
Abstract: 本发明公开了一种基于时空注意力的城际网约车多线路需求预测方法及系统，涉及智能交通技术领域，方法包括：首先，采用先生成全局时空序列，再构建注意力网络学习序列时空信息的方式，增强模型提取不同线路间动态联系的能力；然后，在生成时空序列时嵌入时间、变量以及局部连通性等多个重要因素，增加预测模型可以学习到的信息；最后，使用多层次自注意力网络递进式学习单变量、局部连通变量以及全局变量间不同时间步长的关系，避免局部重要信息的丢失。本发明相比其他多元时序预测算法能有效提取城际线路间的动态联系，从而提高多线路未来多个时间步长的需求预测准确度。
-
公开(公告)号：CN117974330B
公开(公告)日：2024-06-25
申请号：CN202410361953.4
申请日：2024-03-28
Applicant: 华侨大学
IPC: G06Q40/08 , G06F17/16 , G06N3/045 , G06N3/0499 , G06N3/098
Abstract: 本发明公开了一种基于混合模型的互联网保险评分预测方法及装置，涉及数据处理领域，包括：获取互联网保险的订单数据并处理生成用户嵌入矩阵和项目嵌入矩阵，构建用户‑项目评分矩阵和用户‑项目购买交互矩阵；从用户‑项目购买交互矩阵获取项目历史交互向量和用户历史交互向量，将项目历史交互向量和用户历史交互向量输入经训练的第一多层感知机和第二多层感知机，得到项目的隐式嵌入向量和用户的隐式嵌入向量；对用户‑项目评分矩阵进行矩阵分解，并分别与项目的隐式嵌入向量和用户的隐式嵌入向量融合，得到融合的项目嵌入向量和融合的用户嵌入向量，再输入经训练的评分预测模型，得到预测的评分数据，解决评分数据的稀疏性和冷启动问题。
-
公开(公告)号：CN119475050A
公开(公告)日：2025-02-18
申请号：CN202411472032.1
申请日：2024-10-22
Applicant: 华侨大学
IPC: G06F18/2411 , G06F18/214 , G06N3/04 , G06N3/08 , G06Q40/08
Abstract: 本发明公开了一种基于偏好恢复生成对抗网络的冷启动推荐方法、装置及可读介质，包括：基于用户评分矩阵构建暖用户评分集合和冷启动用户评分集合，分别根据暖用户评分集合和冷启动用户评分集合获取到真实的用户的暖评分向量和真实的用户的冷评分向量，采用偏好恢复函数将真实的用户的暖评分向量转换为生成的用户的冷评分向量；构建生成对抗网络并训练，生成对抗网络包括生成网络和判别网络，得到经训练的生成网络；将冷启动用户评分集合中的真实的用户的冷评分向量输入到经训练的生成网络，得到预测的用户的暖评分向量，根据真实的用户的冷评分向量和预测的用户的暖评分向量进行Top‑k推荐，得到每个用户的推荐项目序列，从而提高覆盖率和准确度。
-
公开(公告)号：CN118154244A
公开(公告)日：2024-06-07
申请号：CN202410572139.7
申请日：2024-05-10
Applicant: 华侨大学
IPC: G06Q30/0202 , G06Q50/47 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06F18/22 , G06F123/02
Abstract: 本发明公开了一种基于时空注意力的城际网约车多线路需求预测方法及系统，涉及智能交通技术领域，方法包括：首先，采用先生成全局时空序列，再构建注意力网络学习序列时空信息的方式，增强模型提取不同线路间动态联系的能力；然后，在生成时空序列时嵌入时间、变量以及局部连通性等多个重要因素，增加预测模型可以学习到的信息；最后，使用多层次自注意力网络递进式学习单变量、局部连通变量以及全局变量间不同时间步长的关系，避免局部重要信息的丢失。本发明相比其他多元时序预测算法能有效提取城际线路间的动态联系，从而提高多线路未来多个时间步长的需求预测准确度。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.036 seconds)
