-
公开(公告)号：CN117909577A
公开(公告)日：2024-04-19
申请号：CN202311858903.9
申请日：2023-12-30
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F16/9535 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种多行为感知的图对比推荐方法，包括：(1)原始视图上的表示学习；(2)无噪视图上的表示学习；(3)多行为感知建模，包含潜在行为建模、E步的行为表示学习和M步的行为对比学习；(4)多任务学习。本发明很好地建模了用户的多种行为，从而更加有效地捕捉了用户/物品之间的交互关系，使得表示得到进一步提升；同时，解决了对比学习中的噪声问题，使得本发明推荐方法学习到的表示更加有效。
-
公开(公告)号：CN118113731A
公开(公告)日：2024-05-31
申请号：CN202311486619.3
申请日：2023-11-09
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F16/2452 , G06F16/242 , G06F16/2453 , G06F16/901 , G06N3/045
Abstract: 本发明公开了一种基于注意力机制的自然文本转图数据库查询语言的方法，包括如下步骤：步骤一，构建CQL查询模板，获取自然文本问题、图数据库模式；步骤二，进行嵌入表示；步骤三，预测MATCH子句；步骤四，预测WHERE子句；步骤五，预测RETURN子句；步骤六，进行反向传播，更新网络参数，完成语言转换。本发明的基于注意力机制的自然文本转图数据库查询语言的方法，通过步骤一至步骤六的设置，所生成的CQL查询语句比现有的方法更加准确和规范。
-
公开(公告)号：CN117668354A
公开(公告)日：2024-03-08
申请号：CN202311492668.8
申请日：2023-11-10
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F16/9535 , G06F16/9536 , G06N20/00 , G06F17/16 , G06N3/0464 , G06N3/084 , G06N3/04
Abstract: 本发明公开了一种可学习增强的图对比推荐方法，包括如下步骤：步骤一，对原始交互矩阵进行表示学习以进行原始交互图学习，这使模型能够保留原始信息，以保留有价值的上下文关系；步骤二，构建若干个视图生成器来获得可学习的矩阵以进行可学习视图的表示学习；步骤三，引入基于SVD的潜在矩阵来探索潜在的用户‑物品关系以进行潜在用户‑物品关系建模；步骤四，采用三视图对比策略来帮助学习主要推荐任务以进行三重视图对比学习。本发明的可学习增强的图对比推荐方法，通过结合图对比学习和可学习增强，便可将生成的可学习视图被很好地细化为无噪声。
-
公开(公告)号：CN119473650A
公开(公告)日：2025-02-18
申请号：CN202411447448.8
申请日：2024-10-16
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
IPC: G06F9/54 , G06F12/02 , G06F16/22 , G06F16/245
Abstract: 本发明公开了一种基于CXL内存架构的多节点高性能数据共享索引方法，本发明中主服务器节点用于构建CXL数据索引区和数据存储区。各服务器节点连接CXL内存设备后，通过NUMA绑定方式将CXL内存设备挂载到服务器节点，并指定共享区域，实现多节点对CXL物理内存数据的共享访问。连接到CXL内存后，主服务器节点构建CXL数据索引区和共享存储区，并通过哈希索引表支持多节点的数据存储和查询。查询请求时，通过哈希函数定位数据在哈希表中的位置，并在数据哈希索引表中进行查询和匹配，最终定位数据所在内存区域。找到数据后，服务器节点将数据从CXL内存加载到本地内存中使用，实现了跨服务器节点的数据共享。
-
公开(公告)号：CN119473952A
公开(公告)日：2025-02-18
申请号：CN202411447447.3
申请日：2024-10-16
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
Abstract: 本发明公开了一种基于CXL内存架构的两级数据池数据加载方法，本发明将CXL内存作为冷数据池存储使用频率较低的数据，服务器节点的DRAM内存作为热数据池存储使用频率较高的数据。当一个CXL内存上的数据多次被使用时，数据监控器将通过延迟缓存策略判断是否能将其转移为热数据，并将其缓存。本发明还采用了自适应的缓存策略将热数据通过热数据池在服务器保留一定时间，提升应用性能。热数据池动态的学习缓存策略。每次添加热数据或驱逐热数据时，都将根据LRU‑S、LFU‑S和FIFO专家权重来选择缓存策略。同时热数据池包含历史列表，允许缓存策略的驱逐决策后悔行为，并对错误决策进行惩罚。
-
Patent Agency Ranking
公开(公告)号：CN118094563A
公开(公告)日：2024-05-28
申请号：CN202410326466.4
申请日：2024-03-21
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
Abstract: 本发明提出了一种基于大语言模型和版本提交过滤的开源软件漏洞补丁检测方法及装置。首先，从漏洞数据库和开源代码仓库收集开源软件漏洞信息及代码仓库信息，之后得到代码仓库修复版本上一版本到修复版本的所有代码提交，用以在更小的候选提交集合中找到正确补丁提交，再按照预定规则筛选版本代码提交集得到候选代码提交集，根据漏洞信息和候选提交信息，构建自洽性思维链生成提示词，调用大语言模型，得到关于漏洞补丁的输出序列和对应的推理路径，最后基于多数投票的原则得到漏洞代码补丁提交集。基于安全可靠的本发明在泛化能力、准确性、成本、效率、延迟性等方面优于现有方法，且在不同规模和领域的项目上表现稳定。
-
公开(公告)号：CN116704303A
公开(公告)日：2023-09-05
申请号：CN202310615385.1
申请日：2023-05-29
Abstract: 本发明公开了一种基于注意力机制的农情跨模态特征解析、映射和融合方法，该方法包括：1)将农业领域图像数据和农业领域数值数据进行数据解析和预处理；2)将图像数据通过特征提取网络NA得到图像嵌入特征A，将数值数据通过特征提取网络NB得到数值嵌入特征B；3)将数值嵌入特征B作为查询向量，图像嵌入特征A同时作为键向量和值向量，得到注意力矩阵S；按照注意力权重加权求和，将所有的图像嵌入特征A转化为图像嵌入特征A’；4)将图像嵌入特征A’和数值嵌入特征B进行特征融合，作为多模态数据共同的特征，将该特征用于下游任务。本发明方法建立了不同模态特征之间的关系，可以使用热力图将关系进行可视化，提高了可解释性。
-
公开(公告)号：CN114371936B
公开(公告)日：2025-02-28
申请号：CN202210004782.0
申请日：2022-01-04
IPC: G06F9/50
Abstract: 本发明公开了一种多服务器作业的优化调度方法，涉及云计算相关技术领域，包括提出一种通用的、基于二分图的群组调度模型，优化目标为Asw最大化；基于该模型，提出一种通过历史奖励数据来学习MSJ在不同服务器上运行时间的期望和方差的框架；基于该学习框架，提出一种基于遗传算法的Asw最大化策略，能够在保证多种类型的约束成立的条件下使得社会整体收益最大。本发明针对多服务器作业，提出了一种可以主动式学习作业完成速率、并同时最大化累积社会效益的群组调度方法，可优化累积社会效益，平衡社会各方利益，追求社会整体利益最大化，所设计的调度策略，企业可显著节省计算成本，提高生产收益比。
-
公开(公告)号：CN118051331A
公开(公告)日：2024-05-17
申请号：CN202410156847.2
申请日：2024-02-04
Abstract: 本发明公开一种资源分配方法及系统，在微服务系统中，基于用户请求信息，对各应用进行资源分配，其中方法包括以下步骤：获取目标优化模型，所述目标优化模型包括若干个与资源一一对应的子优化模型；所述子优化模型的优化目标为，在对应资源上，所有应用的平均响应时间之和最小化；所述子优化模型的变量包括决策变量和环境变量；获取当前微服务系统所对应的环境参数；基于所述环境参数，按照交替方向乘子法对各子优化模型进行并行化求解，获得各决策变量所对应的最优解，生成相应的资源分配策略。本发明通过对各子优化模型进行并行化求解，获得各资源对应的最优分配结果，优化各应用的平均响应时间。
-
公开(公告)号：CN117933351A
公开(公告)日：2024-04-26
申请号：CN202410111731.7
申请日：2024-01-26
Abstract: 本发明公开一种决策模型的训练方法及系统、调度方法及系统，其中对待训练决策模型进行一次训练的步骤如下：获取当前各仿真串行网络所对应的状态参数；获取当前时间步中所对应的样本服务请求；将状态参数输入待训练决策模型，由待训练决策模型预测各仿真服务器处理各样本服务请求的概率，输出相应的行动决策；基于行动决策处理各样本服务请求，并计算各样本服务请求所对应的奖励值，基于奖励值获得总奖励，总奖励用于更新待决策模型的模型参数；本发明提供了一种在边缘计算环境下，基于强化学习的决策模型训练方法，所得决策模型在实际应用中输出能够有效降低边缘网络中的长尾延迟效应的最优行动决策，从而显著降低服务延迟，提高用户服务体验。
-
-
-
-
-
-
-
-
-
Search Results
556
records
(took 0.077 seconds)
