-
公开(公告)号：CN113408738A
公开(公告)日：2021-09-17
申请号：CN202110531696.0
申请日：2021-05-17
IPC: G06N20/00
Abstract: 本发明涉及机器学习领域，公开了一种基于强化学习设计伦理智能体的方法，包括从行为规范中归纳并提取出元伦理行为；利用众包技术对元伦理行为进行分级，得到元伦理行为分级；基于轨迹树、元伦理行为分级设计和强化学习算法设计奖励机制；选择生活场景并利用奖励机制进行伦理智能体训练。本发明实现对不同场景中相似行为的概括，能够从广义上概括出人们日常生活中的各类行为，保证了环境的一般性，在一定程度上解决了场景受限的问题；通过众包技术对元伦理行为进行分级统计，即能够节省时间成本；结合元伦理行为分级与轨迹树，完善强化学习中的奖惩机制，高效应对可能遇到的人类行为。
-
公开(公告)号：CN113407716B
公开(公告)日：2022-08-19
申请号：CN202110529477.9
申请日：2021-05-14
Abstract: 本发明公开了一种基于众包的人类行为文本数据集的构造以及处理方法，首先，确定需要收集的主题对象，依据具体的要求生成任务并发布于众包平台，获得设定主题下所有可能发生的人类示例的文本数据集；对于同一个行为或事件的文本经过不同人的撰写会表现在多个句子，因此需要把描述同一事件的不同句子聚类在一起，因此，对于获取的数据集采用聚类的方式将本属于同一行为的不同文本表现聚为一类；采用关联分析技术挖掘出行为之间存在的先后关系结构；采用互信息技术学习出行为之间存在的互斥关系结构，并将人类行为存在的各种关系构造成一个情节图，即表明在某种情况下会发生什么事件，并限制其发生的方式，提高对人类行为的分析的准确性。
-
公开(公告)号：CN113407716A
公开(公告)日：2021-09-17
申请号：CN202110529477.9
申请日：2021-05-14
Abstract: 本发明公开了一种基于众包的人类行为文本数据集的构造以及处理方法，首先，确定需要收集的主题对象，依据具体的要求生成任务并发布于众包平台，获得设定主题下所有可能发生的人类示例的文本数据集；对于同一个行为或事件的文本经过不同人的撰写会表现在多个句子，因此需要把描述同一事件的不同句子聚类在一起，因此，对于获取的数据集采用聚类的方式将本属于同一行为的不同文本表现聚为一类；采用关联分析技术挖掘出行为之间存在的先后关系结构；采用互信息技术学习出行为之间存在的互斥关系结构，并将人类行为存在的各种关系构造成一个情节图，即表明在某种情况下会发生什么事件，并限制其发生的方式，提高对人类行为的分析的准确性。
-
公开(公告)号：CN113987012A
公开(公告)日：2022-01-28
申请号：CN202111208564.0
申请日：2021-10-18
Applicant: 桂林电子科技大学
IPC: G06F16/2458 , G06F16/29 , G06F16/901
Abstract: 本发明公开了一种基于知识的多层次同位模式挖掘方法，首先结合本体表示的领域知识与空间数据获取所述空间数据的语义关系，再依据距离阈值获取空间数据集的星型邻居关系，根据星型邻居获取团实例，通过团实例发现同位模式的方法，既避免了生成表实例的大量连接操作，也缓解了发现极大团的困难，解决了现有技术中的同位模式发现方法在生成表实例时需要大量的连接操作且难以发现极大团的技术问题，同时缓解了现有同位模式挖掘方法只能发现细粒度特征的单层次的同位模式的局限性。
-
公开(公告)号：CN113836397B
公开(公告)日：2024-07-12
申请号：CN202111025959.7
申请日：2021-09-02
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06F16/84 , G06Q30/0601
Abstract: 本发明公开了一种购物篮个性化特征建模的推荐方法，根据历史购物篮事务数据集的特征构成三元组，并将所述三元组映射到特征向量空间，引入不同的关联类型进行计算与关联，最后利用神经网络技术对不同实体之间的低阶特征组合和高阶特征组合进行建模，对目标物品项进行预测，三元组的使用让模型可以从用户历史数据集中捕获更多的关联组合，缓解了购物篮推荐任务中的数据稀疏性问题，同时使得推荐结果具有可靠性和准确性，解决了现有技术中基于购物篮推荐方法推荐精度不高和推荐结果个性化程度低的问题。
-
Patent Agency Ranking
公开(公告)号：CN117829317A
公开(公告)日：2024-04-05
申请号：CN202410015130.6
申请日：2024-01-04
Applicant: 桂林电子科技大学
IPC: G06N20/00 , G06F18/214 , G06N3/04 , G06N3/084
Abstract: 本发明公开一种基于个性化模型差异的个性化联邦学习方法，属于联邦学习技术领域，具体包括以下步骤：服务器发送全局模型给本地客户端，初始化化客户端模型；客户端根据本地数据进行模型训练，并上传模型参数给服务器；服务器根据这一轮客户端上传的参数进行生成模型差异矩阵；服务器依据客户端模型进行全局模型聚合，同时利用模型差异矩阵选择合适的邻居模型聚合并更新各个客户端的个性化模型；本地客户端根据服务端返回的模型更新本地模型。本发明能有效利用本地模型之间的差异加快个性化模型训练，有效提升个性化模型的精度。
-
公开(公告)号：CN119739901A
公开(公告)日：2025-04-01
申请号：CN202411794450.2
申请日：2024-12-09
Applicant: 桂林电子科技大学
IPC: G06F16/901 , G06F16/26
Abstract: 该方法引入图方法，即通过图的构建在图中挖掘出频繁环模式，从而更加方便快速的挖掘出数据集中的频繁环模式。考虑到轨迹数据具有空间和时间属性，这使得挖掘工作相对较为繁琐和复杂。因此，我们选择将轨迹数据转换为事务型数据，以便更有效地进行挖掘。为了避免在挖掘过程中出现大量冗余模式的情况，我们提出了两个算法来实现对图结构的构造和图中环的挖掘。这些策略能够有效地过滤掉那些无法生成环同位模式的模式。由于环模式具备循环的特性，因此在最终的结果集中，我们对模式进行了筛选操作，以确保结果的准确性。所挖掘的环同位模式可以利用在旅游推荐，生物链，大气循环等方面。另外，为了验证挖掘结果的准确性，我们还创建了首个专门用于环同位模式挖掘的合成数据集。
-
公开(公告)号：CN118760969A
公开(公告)日：2024-10-11
申请号：CN202410748783.5
申请日：2024-06-11
Applicant: 桂林电子科技大学
IPC: G06F18/2413
Abstract: 本发明为一种基于频繁同位模式的代表性同位模式提取方法，本方法主要用于提取具有代表性的同位模式，从而获得一个频繁同位模式集的简洁概况。随着空间数据的增长，传统的同位模式挖掘框架会生成大量冗余模式，导致用户难以对结果进行进一步分析。尽管极大同位模式之间不存在包含关系，我们通过分析其特征组成和实例分布发现，它们仍然可能表现出显著的特征重叠和分布相似性，这破坏了结果的简洁性。此外，在非极大同位模式中同样存在着有价值的同位模式。为了进一步压缩模式并保留有用信息，我们引入了两个相似性度量——特征相似度和分布相似度，分别从特征和实例的角度评估同位模式之间的冗余性。根据这两个度量标准，我们对极大同位模式和非极大同位模式分别进行了筛选操作，提取出代表性的极大同位模式和有价值的非极大同位模式，以确保结果的准确性和简洁性。
-
公开(公告)号：CN118245975A
公开(公告)日：2024-06-25
申请号：CN202410338914.2
申请日：2024-03-22
Applicant: 桂林电子科技大学
IPC: G06F18/26 , G06F18/241
Abstract: 该方法采用逐阶合并的策略，即通过逐渐合并低阶模式以生成更高阶的模式，从而能够从轨迹数据中挖掘出所有频繁的环同位模式。考虑到轨迹数据具有空间和时间属性，这使得挖掘工作相对较为繁琐和复杂。因此，我们选择将轨迹数据转换为事务型数据，以便更有效地进行挖掘。为了在挖掘过程中减少冗余模式的出现，我们提出了三个剪枝策略，即二阶线性模式剪枝、候选线性模式剪枝和候选环模式剪枝策略。这些策略能够有效地过滤掉那些无法生成环同位模式的模式。由于环模式具备循环的特性，因此在最终的结果集中，我们对模式进行了筛选操作，以确保结果的准确性。所挖掘的环同位模式可以利用在旅游推荐，生物链，大气循环等方面。另外，为了验证挖掘结果的准确性，我们还创建了首个专门用于环同位模式挖掘的合成数据集。
-
公开(公告)号：CN119829642A
公开(公告)日：2025-04-15
申请号：CN202411803273.X
申请日：2024-12-09
Applicant: 桂林电子科技大学
IPC: G06F16/2458 , G06N3/006 , G06N3/126
Abstract: 该方法结合多目标进化算法的思想和方法，从空间数据集中挖掘出频繁且高效用的同位模式，这些同位模式在频繁度和效用值两个方面都表现优异。同位模式有两种传统的衡量方法，分别是频繁度和效用值，在实际应用中，用户可能需要同时考虑频繁度和效用值来做出全面的决策，但现有的方法难以有效地兼顾这两种度量。我们将频繁度和效用值作为两个目标，将挖掘问题转化为一个多目标优化问题。该方法避免了单一度量挖掘中可能丢失的潜在有趣模式，同时省去了用户设置频繁度阈值或效用值阈值的步骤，只需一次挖掘便可得到最优的同位模式。为了提高挖掘速度，我们引入了团效用值的概念，并结合团效用值与频繁度的向下闭合的特性，提出了一个二阶辅助工具。该工具有助于减少搜索空间，从而加速挖掘的过程。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.023 seconds)
