-
公开(公告)号：CN115240007A
公开(公告)日：2022-10-25
申请号：CN202210924010.9
申请日：2022-08-02
Applicant: 国家电网有限公司客户服务中心 , 南京大学 , 国网江苏省电力有限公司信息通信分公司 , 国网电力科学研究院有限公司
IPC: G06V10/764 , G06V10/42 , G06V10/82
Abstract: 本发明公开了一种基于频域分解神经网络的图像分类加速方法及设备。方法包括：将原始图像转化为RGB图像，并缩放为卷积神经网络的输入特征图所能接纳的图像像素大小相同的图像；将图像输入预先训练好的轻量化神经网络模型，进行图像分类识别，得到图像分类识别结果，其中，所述轻量化神经网络模型为通过对神经网络经过频域分解和轻量化得到。该轻量化神经网络模型将空间域的卷积运算转换为频率域的矩阵乘法运算并进行压缩，可以得到与原始神经网络的输出大致相同的输出，而具有更少的参数量和以FLOPs衡量的计算量。本发明显著地减少计算成本和存储成本，能够有效加速图像分类任务。
-
公开(公告)号：CN117972121B
公开(公告)日：2024-10-18
申请号：CN202410039197.3
申请日：2024-01-10
Applicant: 南京大学
IPC: G06F16/383 , G06F40/186 , G06F40/194 , G06F40/30 , G06F18/214
Abstract: 本发明公开了基于多模态大语言模型的关系抽取方法，具体涉及数据处理技术领域，采用多模态相似度检测模块为数据集中的每一个样本从一组人工预定义的样本中选择相关示例，将选定的示例与输入样本整合到特定格式的多模态提示模板中，用以启发大语言模型生成辅助知识；将输入文本与大语言模型生成的辅助知识拼接在一起，再将其送入编码器用于生成融合特征；将融合特征送入全连接层解码，以预测原始文本中两个实体间的关系。本发明创新地结合大语言模型的生成能力和Transformer编码器的建模能力，充分利用视觉和文本模态中的关键信息，从而提高多模态关系抽取模型的性能。
-
Patent Agency Ranking
公开(公告)号：CN102629257A
公开(公告)日：2012-08-08
申请号：CN201210050057.3
申请日：2012-02-29
Applicant: 南京大学 , 南京科泰信息技术有限公司
Abstract: 一种基于关键字的电子商务网站商品推荐方法，用户在搜索引擎搜索产品，由搜索链接进入电子商务网站，电子商务网站通过脚本采集搜索引擎链接带入的关键字和相关产品信息，由关键字之间的关联度得到关键字关联表，由关键字和相关产品之间的索引关系得到索引数据库；当一个从搜索引擎过来的新用户访问电子商务网站时，解析用户referrer取得关键字，通过查询关键字关联表和索引数据库得到对应的商品列表，推荐权重最高的N件商品。本发明通过采集新用户的搜索引擎带入关键字来解决新用户没有任何数据的问题，结合由历史数据训练得到关键字与商品集的索引关系，根据商品出现频度等信息计算出商品权重，向不存在任何行为记录的新用户进行推荐。
-
公开(公告)号：CN103077237B
公开(公告)日：2015-10-28
申请号：CN201310007682.4
申请日：2013-01-09
Applicant: 南京大学
IPC: G06F17/30
Abstract: 本发明提供一种基于全局关键属性的语义网对象共指自动消解方法，包括下列步骤：1）语义网对象样本分类，将具有相同类型和付费域名的对象样本归类在一起；2）全局关键属性识别，针对具有相同类型和付费域名的一组语义网对象样本，识别出其中共指的对象样本集合和不共指的对象样本集合，计算上述两个集合中对象样本所含数据样本中属性间的相似度，统计识别全局关键属性；3）语义网对象共指消解，给定任意一个语义网对象，基于它的类型和付费域名，重用已识别出的全局关键属性，寻找具有相似关键属性值的其它对象，实现对象共指消解。本发明能够准确高效的自动识别出语义网对象的全局关键属性，并以此为基础，实现语义网对象共指的自动消解，此外已识别的全局关键属性在今后的消解过程中可以重用。
-
公开(公告)号：CN117972121A
公开(公告)日：2024-05-03
申请号：CN202410039197.3
申请日：2024-01-10
Applicant: 南京大学
IPC: G06F16/383 , G06F40/186 , G06F40/194 , G06F40/30 , G06F18/214
Abstract: 本发明公开了基于多模态大语言模型的关系抽取方法，具体涉及数据处理技术领域，采用多模态相似度检测模块为数据集中的每一个样本从一组人工预定义的样本中选择相关示例，将选定的示例与输入样本整合到特定格式的多模态提示模板中，用以启发大语言模型生成辅助知识；将输入文本与大语言模型生成的辅助知识拼接在一起，再将其送入编码器用于生成融合特征；将融合特征送入全连接层解码，以预测原始文本中两个实体间的关系。本发明创新地结合大语言模型的生成能力和Transformer编码器的建模能力，充分利用视觉和文本模态中的关键信息，从而提高多模态关系抽取模型的性能。
-
公开(公告)号：CN102629257B
公开(公告)日：2014-02-19
申请号：CN201210050057.3
申请日：2012-02-29
Applicant: 南京大学 , 南京科泰信息技术有限公司
Abstract: 一种基于关键字的电子商务网站商品推荐方法，用户在搜索引擎搜索产品，由搜索链接进入电子商务网站，电子商务网站通过脚本采集搜索引擎链接带入的关键字和相关产品信息，由关键字之间的关联度得到关键字关联表，由关键字和相关产品之间的索引关系得到索引数据库；当一个从搜索引擎过来的新用户访问电子商务网站时，解析用户referrer取得关键字，通过查询关键字关联表和索引数据库得到对应的商品列表，推荐权重最高的N件商品。本发明通过采集新用户的搜索引擎带入关键字来解决新用户没有任何数据的问题，结合由历史数据训练得到关键字与商品集的索引关系，根据商品出现频度等信息计算出商品权重，向不存在任何行为记录的新用户进行推荐。
-
公开(公告)号：CN103077237A
公开(公告)日：2013-05-01
申请号：CN201310007682.4
申请日：2013-01-09
Applicant: 南京大学
IPC: G06F17/30
Abstract: 本发明提供一种基于全局关键属性的语义网对象共指自动消解方法，包括下列步骤：1）语义网对象样本分类，将具有相同类型和付费域名的对象样本归类在一起；2）全局关键属性识别，针对具有相同类型和付费域名的一组语义网对象样本，识别出其中共指的对象样本集合和不共指的对象样本集合，计算上述两个集合中对象样本所含数据样本中属性间的相似度，统计识别全局关键属性；3）语义网对象共指消解，给定任意一个语义网对象，基于它的类型和付费域名，重用已识别出的全局关键属性，寻找具有相似关键属性值的其它对象，实现对象共指消解。本发明能够准确高效的自动识别出语义网对象的全局关键属性，并以此为基础，实现语义网对象共指的自动消解，此外已识别的全局关键属性在今后的消解过程中可以重用。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
