公开(公告)号：CN108648759A

公开(公告)日：2018-10-12

申请号：CN201810457528.X

申请日：2018-05-14

Applicant: 华南理工大学

Inventor： 郭炜强 ,  平怡强 ,  张宇 ,  郑波

IPC: G10L17/02 ,  G10L17/04 ,  G10L17/18 ,  G10L17/22

Abstract: 本发明公开了一种文本无关的声纹识别方法，包括声纹识别模型训练、提取嵌入、决策评分三个阶段。模型训练阶段步骤：1)语音信号预处理；2)语音帧级操作；3)统计汇聚层汇总帧级输出；4)一维卷积操作；5)全连接层输出说话人分类。模型训练完成后，在全连接层第一层非线性化之前提取嵌入。最后使用余弦距离决策评分，决定接受或拒绝。本发明结合神经网络嵌入技术和卷积神经网络，使用一维卷积，并使用最大值汇聚层进行降维，增加卷积层数，从而进行深层特征提取，这样提升了模型的性能。使用余弦距离作为评分标准使得该过程更快，更简单。

公开(公告)号：CN110196946B

公开(公告)日：2021-03-30

申请号：CN201910456019.X

申请日：2019-05-29

Applicant: 华南理工大学

Inventor： 郭炜强 ,  平怡强 ,  张宇 ,  郑波

IPC: G06F16/9535 ,  G06Q30/02

Abstract: 本发明公开了一种基于深度学习的个性化推荐方法，根据用户的观影时序行为序列，预测用户下一部会观看电影，包括用户观看电影的历史行为特征数据预处理、个性化推荐模型建模、使用用户时序行为特征序列进行模型训练和测试三个阶段。用户观看电影的历史行为特征数据预处理阶段，使用用户与电影交互的隐性反馈，将每个用户与电影的交互数据按照时间戳进行排序，相应的电影观看时间序列。随后对电影数据进行编码表示。个性化推荐模型建模包括：嵌入层设计、一维卷积网络层设计、自注意力机制、分类输出层与损失函数设计。本发明结合一维卷积神经网络技术和自注意力机制，训练效率更高，参数相对较少。

公开(公告)号：CN110196946A

公开(公告)日：2019-09-03

申请号：CN201910456019.X

申请日：2019-05-29

Applicant: 华南理工大学

Inventor： 郭炜强 ,  平怡强 ,  张宇 ,  郑波

IPC: G06F16/9535 ,  G06Q30/02

Abstract: 本发明公开了一种基于深度学习的个性化推荐方法，根据用户的观影时序行为序列，预测用户下一部会观看电影，包括用户观看电影的历史行为特征数据预处理、个性化推荐模型建模、使用用户时序行为特征序列进行模型训练和测试三个阶段。用户观看电影的历史行为特征数据预处理阶段，使用用户与电影交互的隐性反馈，将每个用户与电影的交互数据按照时间戳进行排序，相应的电影观看时间序列。随后对电影数据进行编码表示。个性化推荐模型建模包括：嵌入层设计、一维卷积网络层设计、自注意力机制、分类输出层与损失函数设计。本发明结合一维卷积神经网络技术和自注意力机制，训练效率更高，参数相对较少。