-
公开(公告)号：CN112861541A
公开(公告)日：2021-05-28
申请号：CN202011476049.6
申请日：2020-12-15
Applicant: 哈尔滨工程大学
IPC: G06F40/30 , G06F40/216 , G06F40/242 , G06F40/289 , G06F16/35 , G06K9/62
Abstract: 本发明提供了一种基于多特征融合的商品评论情感分析方法。对数据集进行噪音过滤，进行文本的分词、词性筛选，统计词频，得到预处理后的文本；对文本中的词语使用word2Vec进行词向量表示；使用基于词语共现度的方法，结合凝聚层次聚类算法挖掘商品评论中的有关属性的情感词；针对描述商品属性的情感词进行情感词典扩充，确定新词的情感倾向；将否定词典、连词词典、程度词典等文本特征、用户特征、商品特征进行多特征进行有机融合来确定文本的情感倾向，以此构建半监督训练集；根据构建的训练集，对文本进行基于SVM的情感分类。本发明提出的基于多特征融合的情感分类方法能够有效提高分类的准确度，在产品跟踪、服务反馈、意见挖掘以及舆情监控等方面有着重要的应用价值。
-
公开(公告)号：CN112528024B
公开(公告)日：2022-11-18
申请号：CN202011481477.8
申请日：2020-12-15
Applicant: 哈尔滨工程大学
IPC: G06F16/35 , G06F40/216 , G06F40/289 , G06K9/62
Abstract: 本发明提供了一种基于多特征融合的微博突发事件检测方法。对数据集进行噪音过滤；进行文本的分词，进行词性筛选，统计词频，得到预处理后的文本；对预处理结果进行突发词提取，结合词语的基础权重、突发权重、词语所受微博影响、用户影响力的计算结果进行加权求和得到词语的突发度，根据突发度进行词语的筛选，选出的词语作为突发词放入突发词集；对突发词集中的词语进行基于词语共现度的相似性计算，根据结果构建相似度矩阵；对相似度矩阵中的词语进行凝聚式层次聚类，根据聚类结果得到突发事件检测结果。本发明提出的突发词提取方法能够提高突发词提取的精准度，进而有效提高突发事件检测的准确率，为网络舆情监控、突发事件处理以及社会安全管理提供良好支撑。
-
公开(公告)号：CN111913803A
公开(公告)日：2020-11-10
申请号：CN202010708031.8
申请日：2020-07-21
Applicant: 哈尔滨工程大学
IPC: G06F9/50
Abstract: 本发明是一种基于AKX混合模型的服务负载细粒度预测方法。本发明属于服务计算技术领域。采集服务运行监控过程中产生的数据进行预处理，对数据集进行白噪声和稳定性检测构建ARMA模型；建立ARIMA模型采用Kalman滤波方法对模型预测值进行在线实时校正，有效处理非线性残差；引入XGBoost方法对服务负载历史数据进行离线自回归预测训练分析，并与实际服务负载数据进行差值计算，将差值结果与基于混合模型的预测值进行拟合，获得最终的服务负载预测结果。本发明相对于现有预测方法，在资源受限和负载高发背景下，具有更高预测精度和较低时延，更好地满足的任务突发背景下指控系统对服务有效性、可靠性以及高资源利用率要求。
-
公开(公告)号：CN111913803B
公开(公告)日：2023-12-29
申请号：CN202010708031.8
申请日：2020-07-21
Applicant: 哈尔滨工程大学
IPC: G06F9/50
Abstract: 本发明是一种基于AKX混合模型的服务负载细粒度预测方法。本发明属于服务计算技术领域。采集服务运行监控过程中产生的数据进行预处理，对数据集进行白噪声和稳定性检测构建ARMA模型；建立ARIMA模型采用Kalman滤波方法对模型预测值进行在线实时校正，有效处理非线性残差；引入XGBoost方法对服务负载历史数据进行离线自回归预测训练分析，并与实际服务负载数据进行差值计算，将差值结果与基于混合模型的预测值进行拟合，获得最终的服务负载预测结果。本发明相对于现有预测方法，在资源受限和负载高发背景下，具有更高预测精度和较低时延，更好地满足的任务突发背景下指控系统对服务有效性、可靠性以及高资源利用率要求。
-
Patent Agency Ranking
公开(公告)号：CN112488181B
公开(公告)日：2022-10-18
申请号：CN202011357084.6
申请日：2020-11-26
Applicant: 哈尔滨工程大学
Abstract: 本发明提供了一种基于MIDS‑Tree的服务故障高响应匹配方法。对多元融合数据集进行选取和去噪；进行面向特定服务故障和降级类型的标签处理，得到多元数据集；对数据集进行故障类型分类，形成多元微服务故障数据集；通过Apriori方法进行面向多类型服务故障的特征和属性提取；根据提取后的特征属性进行特征属性敏感度计算，得出最优特征属性并进行态势分析，得出服务故障特征属性的波动范围；根据态势分析以及服务故障类型信息，进行MIDS‑Tree的建立,并进行服务故障的预测，使得服务的资源利用率最大化。本发明提出的轻量级架构模型，为解决已有服务故障预测方法，存在的模型庞杂、冗余；同时该模型能够快速高响应的进行面向服务故障策略匹配，提高现有模型的响应时间。
-
公开(公告)号：CN112488181A
公开(公告)日：2021-03-12
申请号：CN202011357084.6
申请日：2020-11-26
Applicant: 哈尔滨工程大学
Abstract: 本发明提供了一种基于MIDS‑Tree的服务故障高响应匹配方法。对多元融合数据集进行选取和去噪；进行面向特定服务故障和降级类型的标签处理，得到多元数据集；对数据集进行故障类型分类，形成多元微服务故障数据集；通过Apriori方法进行面向多类型服务故障的特征和属性提取；根据提取后的特征属性进行特征属性敏感度计算，得出最优特征属性并进行态势分析，得出服务故障特征属性的波动范围；根据态势分析以及服务故障类型信息，进行MIDS‑Tree的建立,并进行服务故障的预测，使得服务的资源利用率最大化。本发明提出的轻量级架构模型，为解决已有服务故障预测方法，存在的模型庞杂、冗余；同时该模型能够快速高响应的进行面向服务故障策略匹配，提高现有模型的响应时间。
-
公开(公告)号：CN112861541B
公开(公告)日：2022-06-17
申请号：CN202011476049.6
申请日：2020-12-15
Applicant: 哈尔滨工程大学
IPC: G06F40/30 , G06F40/216 , G06F40/242 , G06F40/289 , G06F16/35 , G06K9/62
Abstract: 本发明提供了一种基于多特征融合的商品评论情感分析方法。对数据集进行噪音过滤，进行文本的分词、词性筛选，统计词频，得到预处理后的文本；对文本中的词语使用word2Vec进行词向量表示；使用基于词语共现度的方法，结合凝聚层次聚类算法挖掘商品评论中的有关属性的情感词；针对描述商品属性的情感词进行情感词典扩充，确定新词的情感倾向；将否定词典、连词词典、程度词典等文本特征、用户特征、商品特征进行多特征进行有机融合来确定文本的情感倾向，以此构建半监督训练集；根据构建的训练集，对文本进行基于SVM的情感分类。本发明提出的基于多特征融合的情感分类方法能够有效提高分类的准确度，在产品跟踪、服务反馈、意见挖掘以及舆情监控等方面有着重要的应用价值。
-
公开(公告)号：CN112528024A
公开(公告)日：2021-03-19
申请号：CN202011481477.8
申请日：2020-12-15
Applicant: 哈尔滨工程大学
IPC: G06F16/35 , G06F40/216 , G06F40/289 , G06K9/62
Abstract: 本发明提供了一种基于多特征融合的微博突发事件检测方法。对数据集进行噪音过滤；进行文本的分词，进行词性筛选，统计词频，得到预处理后的文本；对预处理结果进行突发词提取，结合词语的基础权重、突发权重、词语所受微博影响、用户影响力的计算结果进行加权求和得到词语的突发度，根据突发度进行词语的筛选，选出的词语作为突发词放入突发词集；对突发词集中的词语进行基于词语共现度的相似性计算，根据结果构建相似度矩阵；对相似度矩阵中的词语进行凝聚式层次聚类，根据聚类结果得到突发事件检测结果。本发明提出的突发词提取方法能够提高突发词提取的精准度，进而有效提高突发事件检测的准确率，为网络舆情监控、突发事件处理以及社会安全管理提供良好支撑。
-
公开(公告)号：CN112527498A
公开(公告)日：2021-03-19
申请号：CN202011406463.X
申请日：2020-12-03
Applicant: 哈尔滨工程大学
Abstract: 本发明提供了一种服务资源弹性扩缩容处理方法。对微服务监控平台智能汇聚的多元微服务数据集进行面向定向服务类型负载实时监控的历史多元数据指标抓取；对抓取到的面向定向服务类型负载历史多元数据指标进行数据预处理，得到低噪、高可用的指标数据集合；对预处理后的面向定向服务类型负载历史多元数据指标数据集进行基于线性回归的弹性伸缩容预测；对基于线性回归服务弹性伸缩容预测结果进行服务资源弹性伸缩处理策略匹配。本发明提出方法能有效解决服务扩缩容度量指标阈值固定、扩缩反应滞后等问题，是提高扩缩反应速度和资源利用率的重要途径，为服务的稳定运行进一步提供了有力保障。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.024 seconds)
