-
公开(公告)号：CN109117476B
公开(公告)日：2022-04-01
申请号：CN201810761994.7
申请日：2018-07-12
Applicant: 浙江鸿程计算机系统有限公司
IPC: G06F40/30
Abstract: 本发明涉及一种基于多情境嵌入的个性化场所语义识别方法，本发明针对传统个性化场所语义识别方法中，情境信息考虑不足以及特征工程的固有局限性问题，提出了一种将个性化场所语义和手机App相关性协同识别的方法。对于个性化场所语义识别，利用深度神经网络得到与之相关的多情境信息(时间、用户、用户活动等)的表示。对于手机App相关性识别，利用词嵌入得到不同手机App的表示。通过共享手机App的表示，对模型参数进行协同训练。本发明结合情境感知和表示学习进行个性化场所语义识别，在普适计算和基于位置的服务(LBS)等领域具有广阔的应用前景。
-
公开(公告)号：CN109389244B
公开(公告)日：2020-08-18
申请号：CN201811038526.3
申请日：2018-09-06
Applicant: 浙江鸿程计算机系统有限公司
Abstract: 本发明涉及一种基于GRU的多因素感知短期景区内游客人数预测方法，具体实施如下：1)对原始景区数据进行预处理，得到多个时间序列和预测时刻的相关情境信息及其距当前时刻的时刻数；2)利用CNN卷积神经网络提取时间序列的特征向量；利用GRU网络处理CNN提取的特征向量，得到时序特征向量；3)将GRU中得到的时序特征向量和预测时刻的相关情境信息及其距当前时刻的时刻数独热(one‑hot)编码相连接，输入到全连接层中，得到预测时刻景区内游客人数。本发明利用CNN和GRU处理景区多时序数据，并加入预测时刻的相关情境信息及其距当前时刻的时刻数来预测短期景区内游客人数，在智能旅游、流量预测等领域具有广阔的应用前景。
-
公开(公告)号：CN109389244A
公开(公告)日：2019-02-26
申请号：CN201811038526.3
申请日：2018-09-06
Applicant: 浙江鸿程计算机系统有限公司
Abstract: 本发明涉及一种基于GRU的多因素感知短期景区内游客人数预测方法，具体实施如下：1)对原始景区数据进行预处理，得到多个时间序列和预测时刻的相关情境信息及其距当前时刻的时刻数；2)利用CNN卷积神经网络提取时间序列的特征向量；利用GRU网络处理CNN提取的特征向量，得到时序特征向量；3)将GRU中得到的时序特征向量和预测时刻的相关情境信息及其距当前时刻的时刻数独热(one-hot)编码相连接，输入到全连接层中，得到预测时刻景区内游客人数。本发明利用CNN和GRU处理景区多时序数据，并加入预测时刻的相关情境信息及其距当前时刻的时刻数来预测短期景区内游客人数，在智能旅游、流量预测等领域具有广阔的应用前景。
-
公开(公告)号：CN109117476A
公开(公告)日：2019-01-01
申请号：CN201810761994.7
申请日：2018-07-12
Applicant: 浙江鸿程计算机系统有限公司
IPC: G06F17/27
Abstract: 本发明涉及一种基于多情境嵌入的个性化场所语义识别方法，本发明针对传统个性化场所语义识别方法中，情境信息考虑不足以及特征工程的固有局限性问题，提出了一种将个性化场所语义和手机App相关性协同识别的方法。对于个性化场所语义识别，利用深度神经网络得到与之相关的多情境信息(时间、用户、用户活动等)的表示。对于手机App相关性识别，利用词嵌入得到不同手机App的表示。通过共享手机App的表示，对模型参数进行协同训练。本发明结合情境感知和表示学习进行个性化场所语义识别，在普适计算和基于位置的服务(LBS)等领域具有广阔的应用前景。
-
公开(公告)号：CN115470962A
公开(公告)日：2022-12-13
申请号：CN202210926875.9
申请日：2022-08-03
Applicant: 浙江鸿程计算机系统有限公司
Abstract: 本发明公开了一种基于LightGBM的企业失信风险预测模型构建方法，包括如下步骤：S1、获取关联企业多维度公开数据信息；S2、将关联企业多维度公开数据信息存储至目标数据库；S3、采用极大保留策略对目标数据库中的企业信用数据特征进行初步删选；S4、对目标数据库中的数据进行清洗；S5、构建基于目标数据库的特征工程，并划分数据集；S6、构建基于LightGBM算法的企业失信风险预测模型，并采用训练集数据对其进行训练；S7、对企业失信风险预测模型进行进行评估和优化。方案能够较好的辅助相关部门与人员对企业失信风险进行预判、管理与督察。
-
Patent Agency Ranking
公开(公告)号：CN107133274B
公开(公告)日：2020-12-15
申请号：CN201710228718.X
申请日：2017-04-10
Applicant: 浙江鸿程计算机系统有限公司
IPC: G06F16/33 , G06F16/36 , G06F40/295 , G06F40/30
Abstract: 本发明涉及一种基于图知识库的分布式信息检索集合选择方法，主要包括如下步骤：1)采用实体链接方法，从各个集合的样本文档中获取集合的实体词集；2)基于上下文相关度和结构相关度，计算实体词的权重，使用加权的实体词集表示集合的语义信息；3)采用查询扩展方法扩展查询中包含的实体词，并为查询实体词赋予不同的权重；4)采用查询与集合相关度度量方法计算集合评分，选择评分较高的前若干个集合。本发明利用图知识库中蕴含的实体关系和网络结构，使用基于图知识库的集合语义建模方法、查询扩展方法和查询与集合相关度度量方法，提高了集合选择方法的准确度。
-
公开(公告)号：CN105488522A
公开(公告)日：2016-04-13
申请号：CN201510824301.0
申请日：2015-11-23
Applicant: 浙江鸿程计算机系统有限公司
CPC classification number: G06K9/6293 , G06F17/30864
Abstract: 本发明涉及融合多视图和半监督学习的搜索引擎用户信息需求满意度评估方法，该方法分为数据预处理、训练子视图满意度模型、对未标注数据分配伪标签、训练基于多视图和半监督学习的用户满意度模型和评估六个阶段，本发明通过半监督学习的方法使用少量标注数据和大量未标注数据来提高评估模型的性能，并引入多视图学习的思想来克服传统的基于单视图的半监督学习方法容易陷入局部最优的问题。有益效果在于：(1)可以在少量的标注数据的情况下，有效地评估搜索引擎的用户信息需求满意度；(2)可以通过使用少量标注数据和大量未标注数据来提高用户满意度模型评估性能；(3)分别从行为和时间的角度来描述用户的搜索过程，通过相互学习来避免模型陷入局部最优。
-
公开(公告)号：CN109389245A
公开(公告)日：2019-02-26
申请号：CN201811038527.8
申请日：2018-09-06
Applicant: 浙江鸿程计算机系统有限公司 , 浙江省特种设备检验研究院
Abstract: 本发明涉及一种基于深度神经网络的多因素融合学区学龄人口预测方法，包括如下：1)对每个学区的户籍数据和公积金数据进行预处理；2)根据预处理后的数据计算各个学区的人口年龄分布、学龄人口迁入时长分布、学龄人口所在户迁入时长分布、公积金缴纳金额分布，并构建总人口时序和学龄人口时序，进行相对归一化处理；利用CNN和LSTM网络提取总人口时序深度特征和学龄人口时序深度特征；3)将总人口时序深度特征、学龄人口时序深度特征、人口年龄分布、学龄人口迁入时长分布、学龄人口所在户迁入时长分布、公积金缴纳金额分布拼接后送入全连接层，计算学龄人口预测值。本发明对于合理规划教育投入和优化教育资源配置具有重要的现实意义。
-
公开(公告)号：CN105488522B
公开(公告)日：2018-09-07
申请号：CN201510824301.0
申请日：2015-11-23
Applicant: 浙江鸿程计算机系统有限公司
Abstract: 本发明涉及融合多视图和半监督学习的搜索引擎用户信息需求满意度评估方法，该方法分为数据预处理、训练子视图满意度模型、对未标注数据分配伪标签、训练基于多视图和半监督学习的用户满意度模型和评估六个阶段，本发明通过半监督学习的方法使用少量标注数据和大量未标注数据来提高评估模型的性能，并引入多视图学习的思想来克服传统的基于单视图的半监督学习方法容易陷入局部最优的问题。有益效果在于：(1)可以在少量的标注数据的情况下，有效地评估搜索引擎的用户信息需求满意度；(2)可以通过使用少量标注数据和大量未标注数据来提高用户满意度模型评估性能；(3)分别从行为和时间的角度来描述用户的搜索过程，通过相互学习来避免模型陷入局部最优。
-
公开(公告)号：CN105469118B
公开(公告)日：2018-07-20
申请号：CN201510884354.1
申请日：2015-12-04
Applicant: 浙江鸿程计算机系统有限公司
IPC: G06K9/62
Abstract: 本发明涉及基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法，本发明针对传统稀有类别检测方法中对已标记数据点利用不充分和需要预先指定类别相关信息的问题，提出了一种基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法，通过使用非参半监督聚类的方法利用少量标注数据和大量未标注数据来优化数据分布模型，并结合主动学习选择出在所有未标记数据点中最具代表性的异常点提交给专家进行标注，从而减少了稀有类别检测过程中人工标注的工作量，提高了稀有类别检测过程的效率，并且解决了在非线性情况下的稀有类别发现问题。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.039 seconds)
