-
公开(公告)号：CN113010800A
公开(公告)日：2021-06-22
申请号：CN202110240166.0
申请日：2021-03-04
Applicant: 浙江大学
IPC: G06F16/9536 , G06K9/62
Abstract: 本发明公开了一种基于组合编码的协同排序推荐方法，试图在不影响模型性能的前提下，充分利用实值向量的准确性和二进制向量的高效性来表示用户以及物品，以此来提升推荐方法的准确度和效率。为了和推荐系统获得top‑k个推荐结果的最终目标保持一致，CCCR采用了成对的排序损失函数，使得方法在排序指标上有更好的表现。为了比传统的离散坐标下降法获得更快的收敛速度以及更优的收敛结果，CCCR使用了一种新的高效优化方法，采用整体更新二进制向量而不是逐位更新的方式。最后，在公开的数据集上的实验结果表明，CCCR在保持检索和训练的高效性的同时，显著地提高了top‑k推荐任务中结果的准确性。
-
公开(公告)号：CN104820673B
公开(公告)日：2018-03-06
申请号：CN201510139785.5
申请日：2015-03-27
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于自适应性分段统计近似的时间序列相似性度量方法，首先基于时间序列编码识别转折点，将时间序列切分为包含完整波动趋势的子序列；然后依次提取每条子序列的多种统计特征，构造局部模式特征向量；最后利用规范化距离计算局部模式特征向量之间的距离，实现局部模式匹配，并以此作为动态规划算法的子程序，实现全局模式匹配。本发明在度量精度和计算效率方面都以较大的程度优于其他度量方法，在人们的日常活动和工业生产中可发挥重要作用，如在金融交易、交通监管、空气质量和温度监测、工业流程监控、医疗诊断等应用中，对大规模采样数据或高速动态数据流进行相似性查询、分类、聚类、预测、异常检测、在线模式识别等处理。
-
公开(公告)号：CN104462217B
公开(公告)日：2017-09-29
申请号：CN201410626154.1
申请日：2014-11-09
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于分段统计近似表示的时间序列相似性度量方法，包括特征提取和动态模式匹配步骤。首先对时间序列切分子序列，依次提取每条子序列的多种统计特征，构造局部模式特征向量；然后利用加权欧氏距离计算局部模式特征向量之间的距离，实现局部模式匹配，并以此作为动态规划算法的子程序，实现全局模式匹配。本发明在度量精度和计算效率方面都以较大的程度优于其他度量方法，在人们的日常活动和工业生产中可发挥重要作用，如在金融交易、交通监管、空气质量和温度监测、工业流程监控、医疗诊断等应用中，对大规模采样数据或高速动态数据流进行相似性查询、分类、聚类、预测、异常检测、在线模式识别等处理。
-
公开(公告)号：CN104182460B
公开(公告)日：2017-06-13
申请号：CN201410344607.1
申请日：2014-07-18
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于倒排索引的时间序列相似性查询方法，包含索引构建和查询处理步骤，首先利用符号聚集近似表示将实值型的时间序列转化为离散的字符串，然后提取特征子序列，利用向量近似文件存储编码，将子序列分别转为两种粒度的词插入倒排索引，构建多粒度时序倒排索引。针对该索引设计了高效的两级过滤查询方法，可实现k最近邻近似查询，在保证较高查准率的前提下，实现较低的查询时间开销，并且对时间序列长度、k最近邻查询规模及数据集规模具有良好的可扩展性。本发明在人们的日常活动和工业生产中可发挥重要作用，如股票波动的实时查询、传感器数据流的在线模式识别等。
-
公开(公告)号：CN104573003A
公开(公告)日：2015-04-29
申请号：CN201510008836.0
申请日：2015-01-08
Applicant: 浙江大学
Abstract: 本发明公开了一种基于新闻主题信息检索的金融时间序列预测方法。首先对原始新闻数据提取词汇组合特征，并以新闻数据对金融时间序列的实时影响作为标记，训练支持向量机分类器作为预测模型；通过构建词频时间序列，有效度量词汇特征与时间序列的相关度，继而实现新闻主题与时间序列的相关度计算，由此查询与金融时间序列相关的新闻主题；通过对查询出的新闻数据提取词汇组合特征并输入预测模型，得到最终预测结果。本发明可有效预测新闻数据对金融时间序列的影响，帮助人们理解和把握两类数据之间的信息传递；在金融交易市场中，为投资者做舆情分析和投资决策提供了准确的指导。
-
Patent Agency Ranking
公开(公告)号：CN116633942A
公开(公告)日：2023-08-22
申请号：CN202310462921.9
申请日：2023-04-26
Applicant: 浙江大学
IPC: H04L67/104 , H04L9/00 , G06Q20/38 , G06Q20/40
Abstract: 本发明公开了一种高速响应客户端的拜占庭容错共识方法，包括：主节点接收到客户端发送的请求后，为其分配序列号，并将Pre‑Prepare消息发送给所有副本节点；副本节点乐观执行请求并返回Prepare消息给主节点和客户端；主节点将其聚合成PrepareQC广播给所有副本节点，当客户端判断所有节点的乐观执行结果一致时，便认为请求被区块链集群共识；副本节点验证PrepareQC合法后保存，发送Commit消息给主节点和客户端；主节点将其聚合成CommitQC再次广播，客户端再次判断请求是否被共识；副本节点验证CommitQC，若合法，保存并提交消息给客户端；若不合法，进入视图变更阶段。本发明采用客户端判断副本的乐观执行结果的方式，有效提高了区块链系统响应客户端请求的速度。
-
公开(公告)号：CN116455685A
公开(公告)日：2023-07-18
申请号：CN202310462894.5
申请日：2023-04-26
Applicant: 浙江大学
IPC: H04L12/18 , H04L9/40 , H04L67/104
Abstract: 本发明公开了一种在广播网络下的PBFT改进共识方法，其特征在于，基于节点网络实现：将所有共识节点接入广播网络，客户端与共识节点接入点对点网络；所述方法包括：客户端向主节点发送共识消息；主节点利用广播网络将prepare消息广播，当所有副本节点均收到prepare消息时，副本节点验证prepare消息，若验证通过则将commit消息广播给其他共识节点；当每个共识节点均收到2f+1个一致的commit消息时，分别向客户端发送reply回复；若客户端收到f+1个来自不同共识节点的一致reply回复，则认为该共识消息已成功共识。本发明结合了广播网络提供的可靠广播能力，完成PBFT共识方法在广播网络下的适配，并将PBFT共识方法的三阶段减少为两阶段，加快共识响应速度并降低共识通信开销。
-
公开(公告)号：CN104794484B
公开(公告)日：2018-03-06
申请号：CN201510160913.4
申请日：2015-04-07
Applicant: 浙江大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于分段正交多项式分解的时序数据最近邻分类方法，首先，基于时间序列编码识别转折点，将时间序列切分为包含完整波动趋势的子序列；然后，利用第一类切比雪夫多项式分解子序列，提取切比雪夫系数作为子序列特征，构造子序列特征向量；最后，在最近邻分类器中，以基于局部模式匹配的动态规划算法作为距离度量函数实现分类。本发明在分类精度和分类效率方面都以较大的程度优于其他最近邻分类器，在人们的日常活动和工业生产中可发挥重要作用，如在金融交易、交通监管、空气质量和温度监测、工业流程监控、医疗诊断等应用中，对大规模采样数据或高速动态数据流进行分类、预测、异常检测、在线模式识别等处理。
-
公开(公告)号：CN104572888A
公开(公告)日：2015-04-29
申请号：CN201410814851.X
申请日：2014-12-23
Applicant: 浙江大学
IPC: G06F17/30
CPC classification number: G06F17/30625 , G06F17/30634
Abstract: 本发明公开了一种时间序列关联的信息检索方法，首先按照时间顺序统计文本数据库的词频分布，为各词汇构建词频时间序列；然后基于相似性度量方法，计算各词汇与时间序列的相关度。对于每个文本文件，基于各词汇相关度计算文本主题与查询时间序列的相关度，实现文本筛选及相关文本主题信息的查询，最终可为时间序列的波动模式提供合理的解释。本发明可实现时间序列与文本数据库的交互查询，从文本数据的角度分析和挖掘时间序列的波动模式；在大数据时代可发挥重要作用，如在金融领域的电子化交易市场中，根据股票价格的显著性波动模式，查询与其相关的新闻、政策或法令信息，帮助投资者执行准确的舆情分析，以深入挖掘市场价格的影响因素。
-
公开(公告)号：CN113010800B
公开(公告)日：2022-03-18
申请号：CN202110240166.0
申请日：2021-03-04
Applicant: 浙江大学
IPC: G06F16/9536 , G06K9/62
Abstract: 本发明公开了一种基于组合编码的协同排序推荐方法，试图在不影响模型性能的前提下，充分利用实值向量的准确性和二进制向量的高效性来表示用户以及物品，以此来提升推荐方法的准确度和效率。为了和推荐系统获得top‑k个推荐结果的最终目标保持一致，CCCR采用了成对的排序损失函数，使得方法在排序指标上有更好的表现。为了比传统的离散坐标下降法获得更快的收敛速度以及更优的收敛结果，CCCR使用了一种新的高效优化方法，采用整体更新二进制向量而不是逐位更新的方式。最后，在公开的数据集上的实验结果表明，CCCR在保持检索和训练的高效性的同时，显著地提高了top‑k推荐任务中结果的准确性。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.017 seconds)
