-
公开(公告)号：CN109740057B
公开(公告)日：2023-04-18
申请号：CN201811618002.1
申请日：2018-12-28
Applicant: 武汉大学
IPC: G06F16/9535 , G06N3/042 , G06N3/096
Abstract: 本发明公开了一种基于知识萃取的增强神经网络及信息推荐方法，首先，提出一种融合了软标签生成和标签再训练两个阶段的增强神经网络方法，该方法可以从硬标签数据中生成的软标签中提取到更多的有效信息。其次，提出一个萃取层来平衡软标签中的信息和噪声对网络的影响，该方法通过抑制噪声能够提高信息萃取的有效性。最终，提出综合两个阶段的预测结果来生成个性化推荐结果，该方法可以进一步提高推荐精度。
-
公开(公告)号：CN109740057A
公开(公告)日：2019-05-10
申请号：CN201811618002.1
申请日：2018-12-28
Applicant: 武汉大学
IPC: G06F16/9535 , G06N3/08
Abstract: 本发明公开了一种基于知识萃取的增强神经网络及信息推荐方法，首先，提出一种融合了软标签生成和标签再训练两个阶段的增强神经网络方法，该方法可以从硬标签数据中生成的软标签中提取到更多的有效信息。其次，提出一个萃取层来平衡软标签中的信息和噪声对网络的影响，该方法通过抑制噪声能够提高信息萃取的有效性。最终，提出综合两个阶段的预测结果来生成个性化推荐结果，该方法可以进一步提高推荐精度。
-
公开(公告)号：CN108694232A
公开(公告)日：2018-10-23
申请号：CN201810382892.4
申请日：2018-04-26
Applicant: 武汉大学
IPC: G06F17/30
Abstract: 本发明属于数据挖掘和大数据领域，特别是涉及一种基于信任关系特征学习的社会化推荐方法，具体包括：步骤1，利用稀疏自编码模型(SSDAE)计算信任关系特征；步骤2，将计算得到的信任关系特征与矩阵分解方法结合，计算得到用户特征和商品特征；步骤3，利用用户和产品的特征向量计算推荐结果。本发明可以有效的从稀疏的社会关系网络中学习到高阶有效的信任关系特征，并能有效的将信任特征融合到推荐算法当中，从而有效的提高推荐算法精度。
-
Patent Agency Ranking
公开(公告)号：CN108694232B
公开(公告)日：2022-04-01
申请号：CN201810382892.4
申请日：2018-04-26
Applicant: 武汉大学
IPC: G06F16/9535
Abstract: 本发明属于数据挖掘和大数据领域，特别是涉及一种基于信任关系特征学习的社会化推荐方法，具体包括：步骤1，利用稀疏自编码模型(SSDAE)计算信任关系特征；步骤2，将计算得到的信任关系特征与矩阵分解方法结合，计算得到用户特征和商品特征；步骤3，利用用户和产品的特征向量计算推荐结果。本发明可以有效的从稀疏的社会关系网络中学习到高阶有效的信任关系特征，并能有效的将信任特征融合到推荐算法当中，从而有效的提高推荐算法精度。
-
公开(公告)号：CN105225245B
公开(公告)日：2018-06-29
申请号：CN201510736699.2
申请日：2015-11-03
Applicant: 武汉大学
Abstract: 本发明提供了一种基于纹理分布弱假设和正则化策略的自然图像抠图方法，本发明针对贝叶斯抠图算法的不足作出了改进，首先针对原方法假设过强，本发明减弱了该假设，基于直方图和巴氏距离，定义和设计了对高斯分布方差进行修正的计算测度和修正系数，从而提出一种考虑纹理复杂程度的自适应方差高斯分布模型，有效应对自然图像的复杂纹理分布；其次，针对原方法的计算模型，本发明在给出一个理想的纠偏性颜色估计优化模型及其求解问题的基础上，提出了一种基于正则化策略的抠图算法模型，即通过增广拉格朗日乘子法，在基本模型中增加了数据约束项与惩罚项，获得理想优化模型的一个正则化形式的求解模型。
-
公开(公告)号：CN105225245A
公开(公告)日：2016-01-06
申请号：CN201510736699.2
申请日：2015-11-03
Applicant: 武汉大学
Abstract: 本发明提供了一种基于纹理分布弱假设和正则化策略的自然图像抠图方法，本发明针对贝叶斯抠图算法的不足作出了改进，首先针对原方法假设过强，本发明减弱了该假设，基于直方图和巴氏距离，定义和设计了对高斯分布方差进行修正的计算测度和修正系数，从而提出一种考虑纹理复杂程度的自适应方差高斯分布模型，有效应对自然图像的复杂纹理分布；其次，针对原方法的计算模型，本发明在给出一个理想的纠偏性颜色估计优化模型及其求解问题的基础上，提出了一种基于正则化策略的抠图算法模型，即通过增广拉格朗日乘子法，在基本模型中增加了数据约束项与惩罚项，获得理想优化模型的一个正则化形式的求解模型。
-
公开(公告)号：CN106354783A
公开(公告)日：2017-01-25
申请号：CN201610708974.4
申请日：2016-08-23
Applicant: 武汉大学
CPC classification number: G06F16/958 , G06Q30/0201 , G06Q50/01
Abstract: 本发明公开了一种基于信任关系隐含相似度的社会化推荐方法，首先，本发明通过概率矩阵分解的方法得到用户的信任和被信任向量，该向量隐含了用户之间的直接和间接关联，从而更充分的挖掘了稀疏的评分和信任数据中的信息。其次，本发明通过概率估计的方法得到用户的信任关系隐含相似度，从而提升了信任关系强度的估计精度。最后，本发明综合考虑了用户之间的评分相似度，进一步提升算法对于数据稀疏情况下的鲁棒性。
-
公开(公告)号：CN104463912A
公开(公告)日：2015-03-25
申请号：CN201410785162.0
申请日：2014-12-16
Applicant: 武汉大学
IPC: G06T7/20
CPC classification number: G06T7/251 , G06T2207/10016
Abstract: 本发明提出了一种基于簇相似的多尺度目标跟踪方法，本方法的外观模型使用改进的类哈尔特征表示，可以适应目标尺度变化.首先对目标周围进行滑动窗口稠密采样，依据采样半径将样本划分为目标簇和背景簇，定义了一种粒子与簇之间的距离度量，并定义它们之间的相似度与距离成反比.当新帧到来时，粒子通过运动模型运动，根据粒子与目标簇和背景簇的相似度对粒子评分，评分最高的粒子作为目标在该帧的位置；为了适应跟踪过程中目标和背景的变化，设计动态更新机制对目标簇和背景簇的统计特征更新.在每帧跟踪结束时，根据粒子的评分值赋予粒子新的权值，并根据该权值进行粒子重采样以防止粒子退化，本方法能够在复杂条件下实现对目标的鲁棒跟踪。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
