-
公开(公告)号：CN118644044A
公开(公告)日：2024-09-13
申请号：CN202411074777.2
申请日：2024-08-07
Applicant: 吉林大学
IPC: G06Q10/0631 , G06Q50/47 , G06N20/00 , G06F18/22
Abstract: 本发明公开了基于学习和偏好的实时智能订单调度方法，涉及空间众包、任务分配、强化学习和实时匹配技术领域，包括：确定待测城市区域，将待测城市区域进行网格划分，确定司机和可能服务的乘客的位置；基于所述司机和乘客的位置评估偏好值，确定司机偏好列表；基于所述司机偏好列表和乘客偏好列表进行基于学习的匹配，获得匹配结果；基于所述匹配结果重新调整所述偏好值，直到获得最终匹配结果。本发明通过引入一种新的实时、未来导向且平衡双方偏好的任务分配算法，以提高空间众包平台的整体性能和应对能力。
-
公开(公告)号：CN118734927A
公开(公告)日：2024-10-01
申请号：CN202410832900.6
申请日：2024-06-26
Applicant: 吉林大学
IPC: G06N3/0895 , G06N3/042 , G06N3/098 , G06N3/0464 , G06F16/9536 , H04L67/55
Abstract: 本发明涉及用户推荐技术领域，尤其涉及一种基于自监督学习的类别增强方法。其包括：步骤S1、获取可学习的初始用户嵌入向量和初始项目嵌入向量，所述初始用户嵌入向量和初始项目嵌入向量使用类别信息进行更新；步骤S2、将所述用户‑项目交互图输入到预先训练过的图神经网络中的邻域聚合模块进行处理；步骤S3、获得最终的用户表示向量和项目表示向量；步骤S4、内积表示用户u对项目i的预测得分。本发明旨在通过利用类别信息和自监督学习的方法，提高模型对于长尾项目的识别和推荐能力，以克服数据稀疏所带来的挑战，还使用一种多任务训练策略，同时优化主推荐任务和辅助的对比学习任务。提升了用户和物品表示的质量。
-
公开(公告)号：CN118052611A
公开(公告)日：2024-05-17
申请号：CN202410158895.5
申请日：2024-02-04
Applicant: 吉林大学
IPC: G06Q30/0601 , G06F16/9535 , G06F16/9537 , G06F16/25 , G06F16/901 , G06N3/042 , G06N3/044 , G06N3/045 , G06N3/049 , G06N3/0499 , G06N3/08
Abstract: 本发明提供一种基于时间图协同转换的连续时间顺序推荐方法，涉及推荐系统算法技术领域，本发明通过将物品序列信息与物品交互的时间信息进行整合拼接，能够对未来某一时间点的信息进行预测，而通过将这种时序信息融入到推荐系统当中，比起传统的序列推荐技术，不仅考虑了物品信息对推荐结果的影响，还考虑到了时间信息对推荐结果的影响，实现了对信息的充分利用，也能够提高推荐系统的推荐准确率，同时本发明由于提前进行了数据时间格式转换，再基于推荐系统结果进行进一步的计算，简化了计算过程，大大降低了运算复杂度。
-
公开(公告)号：CN111667339A
公开(公告)日：2020-09-15
申请号：CN202010457761.5
申请日：2020-05-26
Applicant: 吉林大学
Abstract: 本发明公开了一种基于改进递归神经网络的诽谤性恶意用户检测方法，包括以下步骤：步骤S1，搭建层次化双注意力递归神经网络HDAN模型；步骤S2，联合过滤；步骤S3，改进的非负矩阵分解推荐系统。本发明通过诽谤性恶意用户检测推荐系统框架SDRS，结合HDAN模型，可以为推荐系统在真实世界中的表现带来极大的提升，从这些用户的交互行为方式出发，将这类用户的特点抽象为评论与评级之间存在语义鸿沟，再利用HDAN来对评论中的语义进行情感分析，结合联合过滤的策略，可以检测并过滤掉此类恶意用户，为推荐系统带来了一个更为优质和纯净的输入，使得推荐系统的性能得以提升。
-
公开(公告)号：CN115712808A
公开(公告)日：2023-02-24
申请号：CN202211271763.0
申请日：2022-10-18
Applicant: 吉林大学
IPC: G06F17/18 , G06F30/20 , G08G1/01 , G06F119/12
Abstract: 本发明公开了一种基于BPR函数模型的城市道路交通时间的计算方法及其系统。将城市道路通行分为非拥堵路段和拥堵路段；根据非拥堵路段，对BPR函数的参数进行修改，获取非拥堵路段的交通通行时间；根据车辆轨迹数据，通过轨迹跟踪的方式标记车辆停留点；基于轨迹跟踪方法，提取道路速度值，获得拥堵路段的交通通行时间；将非拥堵路段的交通通行时间与拥堵路段的交通通行时间累加，得出改造型BPR函数模型，计算得出城市道路交通通行时间；对得到的城市道路交通通行时间，进行仿真计算，已验证改造型BPR函数模型的效果。用以解决现有的BPR模型未考虑拥堵情况的复杂情形，适用于高速公路连续流，不适用于考虑拥堵排队等待情况下的复杂城市公路网规划网。
-
Patent Agency Ranking
公开(公告)号：CN111737870A
公开(公告)日：2020-10-02
申请号：CN202010579489.8
申请日：2020-06-23
Applicant: 吉林大学
Abstract: 一种线上线下双层网络信息传播模式的分析方法，涉及一种双层路由信息传播方法，解决现有社交网络中信息传播方法中没有考虑离线移动网络中的影响，使传播效果差等问题，本发明所述的分析方法在兼顾两种网络的特点后将两层网络压缩为一层。在单层网络中找到形成最佳集合的前k个节点，也就是关键传播者。k个节点的影响并不是简单的求每个节点的总和，而是这k个节点所组成的节点集的轮廓边的总权重。本发明提出的IMOOP算法，可以选择最佳的位于关键节点的人，以便在信息截止日期之前最大化信息影响力。本发明方法为信息传播算法带来了一个更加全面的角度，使得信息传播的准确性得到了极大程度的提高。
-
公开(公告)号：CN118644044B
公开(公告)日：2024-10-18
申请号：CN202411074777.2
申请日：2024-08-07
Applicant: 吉林大学
IPC: G06Q10/0631 , G06Q50/47 , G06N20/00 , G06F18/22
Abstract: 本发明公开了基于学习和偏好的实时智能订单调度方法，涉及空间众包、任务分配、强化学习和实时匹配技术领域，包括：确定待测城市区域，将待测城市区域进行网格划分，确定司机和可能服务的乘客的位置；基于所述司机和乘客的位置评估偏好值，确定司机偏好列表；基于所述司机偏好列表和乘客偏好列表进行基于学习的匹配，获得匹配结果；基于所述匹配结果重新调整所述偏好值，直到获得最终匹配结果。本发明通过引入一种新的实时、未来导向且平衡双方偏好的任务分配算法，以提高空间众包平台的整体性能和应对能力。
-
公开(公告)号：CN117891999A
公开(公告)日：2024-04-16
申请号：CN202311866136.6
申请日：2023-12-29
Applicant: 吉林大学
IPC: G06F16/9535 , G06F16/9537 , G06F18/22 , G06N3/0499 , G06N3/0455 , G06N3/042 , G06F123/02
Abstract: 本发明提供一种基于空间位置与时间跨度的序列推荐方法，涉及序列推荐技术领域，本发明通过TPE模块根据兴趣点之间的时间间隔动态调整兴趣点在序列中的位置，并通过正弦变换生成位置表示，反映兴趣点之间的相对时间接近度，并利用DTW算法的输出来提供更丰富的时间位置信息，这将使时间位置编码器更加敏感于用户行为的时间动态；ISAB模块交替使用位置感知注意力层和前馈网络，将空间－时间间隔缩放后加到注意力机制中，以增加注意力机制对所有兴趣点之间的空间关系的重视程度，且引入多头注意力机制来提高对序列中多样模式的捕捉能力，缓解局部兴趣点之间关注度的不足。
-
公开(公告)号：CN115720212A
公开(公告)日：2023-02-28
申请号：CN202211410671.6
申请日：2022-11-11
Applicant: 吉林大学
IPC: H04L47/125 , H04L47/127 , H04L41/14
Abstract: 本发明属于通信领域，公开了一种基于多源数据融合的网络流量预测及自动优化均衡方法。采集某一城市基站的多源数据，所述多源数据包括站址信息数据、传输网络流量数据、通用网络数据和移动信令；基于多源数据，利用决策融合方法对数据进行融合处理；对融合后的数据，利用循环神经网络算法，建立流量预测模型；利用流量预测模型，对网络流量进行预测；基于网络流量预测数据，利用马尔可夫流量转移方法，建立全局视觉下网络流量均衡模型，对全局视觉下网络流量均衡模型进行训练并验证。用以解决现有技术中的网络配置和管理有很多是依赖人工，网络结构复杂，问题处理依旧依靠人工分析的问题。
-
公开(公告)号：CN111667339B
公开(公告)日：2022-05-27
申请号：CN202010457761.5
申请日：2020-05-26
Applicant: 吉林大学
Abstract: 本发明公开了一种基于改进递归神经网络的诽谤性恶意用户检测方法，包括以下步骤：步骤S1，搭建层次化双注意力递归神经网络HDAN模型；步骤S2，联合过滤；步骤S3，改进的非负矩阵分解推荐系统。本发明通过诽谤性恶意用户检测推荐系统框架SDRS，结合HDAN模型，可以为推荐系统在真实世界中的表现带来极大的提升，从这些用户的交互行为方式出发，将这类用户的特点抽象为评论与评级之间存在语义鸿沟，再利用HDAN来对评论中的语义进行情感分析，结合联合过滤的策略，可以检测并过滤掉此类恶意用户，为推荐系统带来了一个更为优质和纯净的输入，使得推荐系统的性能得以提升。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
