-
公开(公告)号：CN112801793A
公开(公告)日：2021-05-14
申请号：CN202110132598.X
申请日：2021-01-31
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明属于海量数据挖掘与处理技术领域，涉及电商交易数据中高利润商品的挖掘方法。一种用于挖掘电商交易数据中高利润商品的方法，包括：根据每个商品的前缀不同，将每次交易记录中首个商品作为前缀项，将交易记录中具有相同前缀项的的商品集分在同一个分区里；所述商品集为一项式商品集或二项式商品集；分别计算每个分区的twu值，twu记录了该分区的最大利润效用值，将每个分区的twu值，与用户设定的利润阈值minU比较：a.若twu＜minU,则跳过该分区，进入下一个分区；b.若twu≥minU,则计算该分区内每个商品集在整个分区中的利润效用值UIPa[i].twu，并将所有UIPa[i].twu降序排序，从大到小依次与利润阈值minU比较，找到大于等于利润阈值minU的商品集。本发明的方法，性能更优，效率更高。
-
Patent Agency Ranking
公开(公告)号：CN115237976A
公开(公告)日：2022-10-25
申请号：CN202210649569.5
申请日：2022-06-10
Applicant: 哈尔滨工业大学(威海)
IPC: G06F16/2458 , G06F16/2457
Abstract: 本发明属于大数据查询技术领域，具体涉及查询负载预测算法及模型。基于TCN‑A模型的查询负载预测算法，包括：对原始用户查询数据进行预处理，构建查询负载序列；利用训练好的时间序列预测模型预测查询负载；其中，所述的时间序列预测模型通过对查询负载序列进行时域注意力加权和时序预测获得查询负载的预测结果。本发明提出并实现了一种新型的时间序列预测模型及算法，以高效的时间卷积神经网络为核心，融入设计的时域注意力机制，捕获历史查询负载的变化信息及相关性特征，并充分利用查询间隔时间快速地实现查询负载的精确预测。
-
公开(公告)号：CN112801793B
公开(公告)日：2022-04-15
申请号：CN202110132598.X
申请日：2021-01-31
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明属于海量数据挖掘与处理技术领域，涉及电商交易数据中高利润商品的挖掘方法。一种用于挖掘电商交易数据中高利润商品的方法，包括：根据每个商品的前缀不同，将每次交易记录中首个商品作为前缀项，将交易记录中具有相同前缀项的的商品集分在同一个分区里；所述商品集为一项式商品集或二项式商品集；分别计算每个分区的twu值，twu记录了该分区的最大利润效用值，将每个分区的twu值，与用户设定的利润阈值minU比较：a.若twu＜minU,则跳过该分区，进入下一个分区；b.若twu≥minU,则计算该分区内每个商品集在整个分区中的利润效用值UIPa[i].twu，并将所有UIPa[i].twu降序排序，从大到小依次与利润阈值minU比较，找到大于等于利润阈值minU的商品集。本发明的方法，性能更优，效率更高。
-
公开(公告)号：CN113177078A
公开(公告)日：2021-07-27
申请号：CN202110487805.3
申请日：2021-04-30
Applicant: 哈尔滨工业大学(威海)
IPC: G06F16/2458 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于信息检索技术领域，具体涉及一种近似查询处理算法。基于条件生成模型的高效近似查询处理算法，包括：采用聚集预计算获得用户查询的预聚集值；对用户查询进行处理，获得估计用户查询与预聚集范围之间差异的新查询newQ以及选择的预聚集值；构建基于Wasserstein的条件变分生成对抗网络模型，利用训练完成的模型为新查询newQ生成数据样本；对生成的数据样本进行过滤，并将过滤后的数据样本与选择的预聚集值相结合，计算得到最终的查询估计值。本发明的方法构建了一种高效的深度生成模型，并引入Wasserstein距离作为误差衡量，消除模型坍塌；将该模型应用于近似查询，并与聚集预计算相结合，同时采用表决算法，降低近似查询误差。
-
公开(公告)号：CN118673967A
公开(公告)日：2024-09-20
申请号：CN202410815789.X
申请日：2024-06-24
Applicant: 哈尔滨工业大学
IPC: G06N3/0464 , G06N3/084 , G06N3/09 , G06F18/213
Abstract: 本发明提出了一种有限数据下基于脑启发的深度神经网络增强方法，属于深度学习技术领域，参照人类大脑内部的海马‑前额叶回路的异步工作机制，开发了一种通用的异步学习框架，首先将给定的深度神经网络模型划分为两个小规模的子模型，并使其分别承担原始网络的特征提取和预测功能；然后根据这些子模型进行模型重构，以获得给定深度神经网络的异步架构；最后利用设计的异步训练方法对重构后的模型进行训练，分别独立优化其特征提取器和预测器；本发明在不损害深度神经网络特征提取能力的情况下，克服现有技术中的参数过耦合和对大量训练数据高度依赖的问题。
-
公开(公告)号：CN113177078B
公开(公告)日：2022-06-17
申请号：CN202110487805.3
申请日：2021-04-30
Applicant: 哈尔滨工业大学(威海)
IPC: G06F16/2458 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于信息检索技术领域，具体涉及一种近似查询处理算法。基于条件生成模型的高效近似查询处理算法，包括：采用聚集预计算获得用户查询的预聚集值；对用户查询进行处理，获得估计用户查询与预聚集范围之间差异的新查询newQ以及选择的预聚集值；构建基于Wasserstein的条件变分生成对抗网络模型，利用训练完成的模型为新查询newQ生成数据样本；对生成的数据样本进行过滤，并将过滤后的数据样本与选择的预聚集值相结合，计算得到最终的查询估计值。本发明的方法构建了一种高效的深度生成模型，并引入Wasserstein距离作为误差衡量，消除模型坍塌；将该模型应用于近似查询，并与聚集预计算相结合，同时采用表决算法，降低近似查询误差。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
