-
公开(公告)号：CN119692524A
公开(公告)日：2025-03-25
申请号：CN202411628881.1
申请日：2024-11-14
Applicant: 电子科技大学 , 喀什地区电子信息产业技术研究院
IPC: G06Q10/04 , G06Q50/00 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/049 , G06N3/0499 , G06N3/08
Abstract: 本发明属于信息传播技术领域，公开了一种基于时间感知超图学习的多模态社交媒体流行度预测方法，首先，采用以时间为核心的方法来检索与目标UGC相关的前K个实例；随后，通过利用UGC属性，将所有相关实例连接在一起，形成目标UGC的超图；其次，研发了一个时间感知的引导式超图Transformer，旨在捕获内部和跨模态之间的相关性，并且使用时间编码器将时间信息嵌入到信息融合过程中；最后，运用一个包含两层前馈神经网络的模型来进行目标UGC流行度的预测。本发明探索了对目标用户生成内容(UGC)的时间关系进行建模，并通过多模态超图聚合来增强目标的表示，旨在通过聚合时间感知信息，引领自适应超图构建，以协助多模态的流行度预测。
-
公开(公告)号：CN119544666A
公开(公告)日：2025-02-28
申请号：CN202411628904.9
申请日：2024-11-14
Applicant: 电子科技大学 , 喀什地区电子信息产业技术研究院
IPC: H04L61/5007 , H04L45/00 , H04L45/17
Abstract: 本发明属于机器学习中的神经网络领域，公开了一种基于信息瓶颈的可解释街道级IP地址定位方法，主要利用图神经网络和信息瓶颈理论对目标IP进行地理定位的同时判别出影响定位结果的重要路标节点：首先，应用以目标IP为中心的构图方式筛选出与目标IP匹配的地标IP；其次，通过计算目标IP和地标IP的属性相似度得到了节点间的注意力权重矩阵；再次，在注意力权重矩阵中应用信息瓶颈理论，逐渐得到了影响目标IP地理定位的重要路标节点；最后，使用多层感知机进行线性仿射变化，从隐空间中解码得到了目标IP的经纬度坐标。本发明缓解了IP定位中农村、偏远地区网络节点稀疏的问题，提供了预测模型的可解释性。
-
公开(公告)号：CN119172573A
公开(公告)日：2024-12-20
申请号：CN202411186198.7
申请日：2024-08-28
Applicant: 电子科技大学
IPC: H04N21/25 , H04N21/232 , H04N21/234 , H04N21/235 , H04N21/466 , H04N21/432 , H04N21/435 , H04N21/44 , G06N3/0455 , G06N5/04 , G06F16/783 , G06F18/25 , G06V20/40 , G06F40/30
Abstract: 本发明属于信息传播技术领域，公开了一种基于多模态检索增强的短视频流行度预测方法，对待预测视频提取关键帧，并获取每个关键帧的图像描述；将待预测视频的原始文本信息与其关键帧的图像描述级联，形成待预测视频的文本提示；将待预测视频的文本提示输入到大语言模型，得到该待预测视频的检索向量；从检索池中检索若干条相关视频；使用预训练好的大模型对待预测视频和检索得到的相关视频进行特征提取，分别提取文本和视觉特征；对待预测视频和相关视频做跨模态特征交互，得相应的模态，并经交互得到检索增强向量；再依据待预测视频的模态、相关视频的模态以及检索增强向量，预测短视频的流行度。本发明通过引入检索增强，大大提高了预测准确度。
-
公开(公告)号：CN116578858A
公开(公告)日：2023-08-11
申请号：CN202310108821.6
申请日：2023-02-14
Applicant: 国能大渡河猴子岩发电有限公司 , 电子科技大学
IPC: G06F18/213 , G06F18/24 , G06N3/042 , F04B51/00
Abstract: 本发明公开了一种基于图神经网络的空压机故障预测与健康度评价方法及系统，对多变量时间序列进行不同感受野的卷积处理得到多尺度嵌入特征；基于多头注意力机制建立动态时序图；再利用图卷积对动态时序图进行离散化得到具有瞬间间隔的聚合表示，并利用常微分方程对其进行求解得到多尺度信息表征；依据得到的多尺度信息表征，对多变量时间序列进行预测；依据预测序列，按照健康度模型计算空压机的健康指数，进而对空压机进行故障预测和健康度评估。本发明通过建立动态时序图来考虑整个演变过程中变量之间的依赖关系，捕捉时间序列中各变量之间的长程动态关系，预测出未来时刻的检测变量值，检测空压机系统的故障，并对空压机做出健康度评估。
-
公开(公告)号：CN114021836B
公开(公告)日：2023-05-16
申请号：CN202111352050.2
申请日：2021-11-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于不同角度融合的多变量水库入水量预测系统、训练方法及应用，基于水库各变量历史观测值，首先通过随机循环神经网络和生成模型获得符合多模态分布的隐变量，然后通过注意力模型获得注意力矩阵，再将符合多模态分布的隐变量和注意力矩阵输入多层感知机，便可实现未来水库入水量的预测；相较于传统的人工经验判断和统计学方法，本发明对特定的场景具有建模能力；相较于传统的循环神经网络，本发明可以更好地捕捉多个观测值之间的关联和时间上较长的依赖，因而具有更高的准确率，不仅节省了大量的人力和物理成本，而且其预测结果也更有价值。
-
Patent Agency Ranking
公开(公告)号：CN115936120A
公开(公告)日：2023-04-07
申请号：CN202211568056.8
申请日：2022-12-08
Applicant: 电子科技大学 , 中国电子科技集团公司第五十四研究所 , 喀什地区电子信息产业技术研究院
IPC: G06N5/025 , G06N5/02 , G06N3/042 , G06N3/0442 , G06N3/0464
Abstract: 本发明属于信息传播领域，提供了一种基于元知识学习的信息扩散预测系统及方法，该信息扩散预测系统包括级联属性构建模块，用于构建用户社交结构特征、用户喜好特征和扩散时间特征组成的级联属性；自适应用户社交关系学习模块，用于学习用户社会关系，获取用户嵌入；自适应时间扩散学习模块，用于学习级联属性和动态级联上下文中的时间关联，获取隐藏状态；信息扩散用户预测模块，用于依据自适应时间扩散学习模块获取的隐藏状态映射到候选用户空间得到下一个激活用户。本发明信息扩散预测系统及方法，学习信息传播过程中激活用户的级联序列，实现对信息传播过程的动态的用户社交关系和复杂的时间影响的有效建模，提高信息扩散预测任务的准确率。
-
公开(公告)号：CN110147892B
公开(公告)日：2021-05-25
申请号：CN201910443857.3
申请日：2019-05-27
Applicant: 电子科技大学
Abstract: 本发明公开了基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法，本发明首先通过循环轨迹编码器和变分轨迹编码器分别获取轨迹语义向量和变分隐变量，再基于变分注意力机制获取轨迹的注意力向量，并将其与变分隐变量进行级联，从而重建解码器的输入数据，最后依据解码器输出语义向量恢复先前轨迹和生成预测轨迹。本发明通过编码器‑解码器的框架解决了轨迹上下文学习的问题，并完成了人类移动模式推测的两个子任务——轨迹恢复和轨迹预测，不仅可以估计概率密度并优化数据可能性的下限，还能够捕获人类移动性的顺序和时间特征，有效地解决了根据轨迹上下文感知进行轨迹推测的问题，为人类移动模式的推测带来效果上的提高。
-
公开(公告)号：CN110826698A
公开(公告)日：2020-02-21
申请号：CN201911066089.0
申请日：2019-11-04
Applicant: 电子科技大学
Abstract: 本发明提出了一种新的通过上下文相关的图嵌入模型来表示人群移动的方法。该方法首先根据用户的历史轨迹生成一个全连通的上下文相关图，并首次实现了将词嵌入技术应用于图模型，学得融合了上下文语义信息的签到点向量表示，进而通过循环神经网络得到每条轨迹的向量表示，然后引入强化学习的方法找出当前轨迹的产生者。在整个模型的训练过程中，本发明利用带标签的轨迹和不带标签的轨迹同步进行训练，与此同时，本发明还利用对抗学习中的策略梯度方法更新模型参数，进一步增强了模型性能。
-
公开(公告)号：CN110232480A
公开(公告)日：2019-09-13
申请号：CN201910515356.1
申请日：2019-06-14
Applicant: 电子科技大学
Abstract: 本发明提供了一种利用变分的正则化流实现的项目推荐模型训练方法及项目推荐方法，采用带注意力机制的循环神经网络并加入正则化流的变分推断，通过学习会话序列的隐含变量，为用户推荐下一次点击的项目，只通过用户点击过的项目序列数据就可以稳定有效地近似推断整个会话序列的下一次点击项目，而且预测模型加入注意力机制来增强会话中重要的项目点的权重，大大提高了预测的精确度。此外，本发明在模型中加入了变分的正则化流去学习隐含变量的真实分布，这可以减小传统的变分模型(比如VAE)在基于会话的推荐问题中的误差。
-
公开(公告)号：CN109635989A
公开(公告)日：2019-04-16
申请号：CN201810999492.8
申请日：2018-08-30
Applicant: 电子科技大学
CPC classification number: G06Q10/04
Abstract: 本发明公开了一种基于多源异构数据融合的社交网络链路预测的方法，利用包含用户关系拓扑图和用户签到记录这两种异构数据源的基于地理位置信息的社交网络进行链路预测。本发明提出一种混合的框架，通过模型AL充分捕获基于地理位置信息的社交网络中用户关系拓扑图和用户签到记录这两种异构数据源之间的关联，克服使用基于地理位置信息的社交网络中单数据源进行链路预测时，预测结果不准确的问题，有效地提升了链路预测的效果。同时应用局部敏感哈希提高深度学习进行训练的计算速度并降低存储开销。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.033 seconds)
