公开(公告)号：CN110135510A

公开(公告)日：2019-08-16

申请号：CN201910427865.9

申请日：2019-05-22

Applicant: 电子科技大学中山学院

Inventor： 刘贵松 ,  解修蕊 ,  杨泽衡 ,  张绍楷 ,  占求港

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种动态领域自适应方法、设备及计算机可读存储介质，包括以下步骤：基于原始图像数据获取源域数据集和目标域数据集；基于源域数据集定义用于图像识别的卷积神经网络的各层级参数，并在卷积神经网络中全连接层中的输出层之前加入自适应层；计算卷积神经网络的自适应损失LMMD；基于自适应损失LMMD修改卷积神经网络的各层级参数，得到调整后的卷积神经网络；将目标域数据集代入调整后的卷积神经网络，获取图像数据识别的输出结果。本发明还同时公开了一种动态领域自适应设备及计算机可读存储介质。

公开(公告)号：CN111429234B

公开(公告)日：2023-09-29

申请号：CN202010299217.2

申请日：2020-04-16

Applicant: 电子科技大学中山学院

Inventor： 何怀文 ,  李治浩 ,  刘贵松 ,  王贺立 ,  陈述 ,  肖涛 ,  张绍楷

IPC: G06Q30/0601 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的商品序列推荐方法，包括以下步骤：步骤1：获取公开的用户购买商品序列，对其进行预处理，得到商品名及商品的元数据；步骤2：将商品名和元数据作为输入，输送至设计的序列推荐模型中，得到预训练模型，所述预训练模型分为输入层、编码层、多层感知机层和映射层；步骤3：在预训练模型的输出层上选择合适的输出作为当前序列的表示，进一步计算得到推荐商品列表，本方法考虑了日常购物商品的双向影响，采用的是编码器‑解码器结构，能对商品序列进行双向建模，编码信息获取优于单向模型，能优化最终推荐内容。

公开(公告)号：CN110135510B

公开(公告)日：2023-08-01

申请号：CN201910427865.9

申请日：2019-05-22

Applicant: 电子科技大学中山学院 ,  西南财经大学

Inventor： 刘贵松 ,  解修蕊 ,  杨泽衡 ,  张绍楷 ,  占求港

IPC: G06V10/778 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种动态领域自适应方法、设备及计算机可读存储介质，包括以下步骤：基于原始图像数据获取源域数据集和目标域数据集；基于源域数据集定义用于图像识别的卷积神经网络的各层级参数，并在卷积神经网络中全连接层中的输出层之前加入自适应层；计算卷积神经网络的自适应损失LMMD；基于自适应损失LMMD修改卷积神经网络的各层级参数，得到调整后的卷积神经网络；将目标域数据集代入调整后的卷积神经网络，获取图像数据识别的输出结果。本发明还同时公开了一种动态领域自适应设备及计算机可读存储介质。

公开(公告)号：CN111429234A

公开(公告)日：2020-07-17

申请号：CN202010299217.2

申请日：2020-04-16

Applicant: 电子科技大学中山学院

Inventor： 何怀文 ,  李治浩 ,  刘贵松 ,  王贺立 ,  陈述 ,  肖涛 ,  张绍楷

IPC: G06Q30/06 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的商品序列推荐方法，包括以下步骤：步骤1：获取公开的用户购买商品序列，对其进行预处理，得到商品名及商品的元数据；步骤2：将商品名和元数据作为输入，输送至设计的序列推荐模型中，得到预训练模型，所述预训练模型分为输入层、编码层、多层感知机层和映射层；步骤3：在预训练模型的输出层上选择合适的输出作为当前序列的表示，进一步计算得到推荐商品列表，本方法考虑了日常购物商品的双向影响，采用的是编码器-解码器结构，能对商品序列进行双向建模，编码信息获取优于单向模型，能优化最终推荐内容。