-
公开(公告)号：CN119440822A
公开(公告)日：2025-02-14
申请号：CN202411489941.6
申请日：2024-10-24
Applicant: 西安电子科技大学
IPC: G06F9/50 , G06N3/042 , G06N3/045 , G06N3/0442 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于异构图神经网络的细粒度微服务资源预测方法，涉及资源预测领域，用以提高在微服务资源预测问题上的准确度。本发明对微服务的物理节点和容器两个维度的资源利用率序列编码得到初始隐藏状态，输入到异构图神经网络进行调整，对调整后的隐藏状态进行解码得到资源预测结果；异构图神经网络根据异构图进行构建，该异构图以微服务的物理节点和容器分别作为异构节点，以物理节点和容器之中存在的关系作为边。本发明提高了微服务资源预测的准确性和普适性。
-
公开(公告)号：CN118504572B
公开(公告)日：2024-10-18
申请号：CN202410954133.6
申请日：2024-07-17
Applicant: 西安电子科技大学
IPC: G06F40/295 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06V30/148 , G06V30/26 , G06F16/35
Abstract: 本发明公开了一种面向数字油藏的多级特征实体抽取方法和系统，涉及自然语言处理领域，用以高效、准确地对油藏文本进行实体抽取。本发明先对获取的部分油藏文本进行不同类型的标注，用prompt模板将标注文本转换为输入样本，并对应得到指示实体位置的真实标签；每种类型下利用成对的训练样本对实体抽取模型进行微调训练，实体抽取模型对训练样本进行多级特征提取，输出指示实体位置的预测标签；每一轮微调训练后对无标注油藏文本进行预测，人工修正错误的预测标签，用以扩充训练样本，使用所有训练样本对实体抽取模型进行训练；以最终训练的实体抽取模型对待预测油藏文本进行预测并解码。本发明的模型训练效率高、预测准确性高。
-
公开(公告)号：CN118101500A
公开(公告)日：2024-05-28
申请号：CN202410459145.1
申请日：2024-04-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于改进遗传算法的边缘环境下服务部署方法和系统，涉及边缘计算资源分配领域，用以解决在线动态部署的不稳定问题以及提高服务部署方案的性能和成本表现。本发明利用服务部署矩阵表示各类服务在各个边缘服务器上进行服务实例部署的部署方案，并以此为编码方式构建初始化种群；以服务部署的性能指标和成本指标构建目标函数；根据约束条件从初始化种群中选择出可行解种群，根据适应度选择个体进行进化，在交叉运算和变异运算过程中对非法解进行修正；最终选择适应度最高的染色体进行服务部署。本发明通过离线方式即可得到最优解，并在成本和性能上得到平衡，保留了非法解的优良基因进行进化，提高了最优解的可靠性。
-
公开(公告)号：CN114201669B
公开(公告)日：2023-02-03
申请号：CN202111391897.1
申请日：2021-11-19
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06F8/36 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于词嵌入与协同过滤技术的API推荐方法，所述API推荐方法包括：S1：对API真实调用记录进行初始处理，得到API调用矩阵；S2：对所述API调用矩阵中所有用户调用API的API序列进行训练，得到API‑API相似度矩阵；S3：对所述API调用矩阵中所有API跟随用户的用户序列进行训练，得到用户‑用户相似度矩阵；S4：根据所述API调用矩阵、所述用户‑用户相似度矩阵和所述API‑API相似度矩阵，分别得到API侧调用预测模型和用户侧调用预测模型；S5：根据所述API侧调用预测模型以及所述用户侧调用预测模型，得到最终预测模型；S6：根据所述最终预测模型，输出API推荐结果。
-
公开(公告)号：CN118504572A
公开(公告)日：2024-08-16
申请号：CN202410954133.6
申请日：2024-07-17
Applicant: 西安电子科技大学
IPC: G06F40/295 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06V30/148 , G06V30/26 , G06F16/35
Abstract: 本发明公开了一种面向数字油藏的多级特征实体抽取方法和系统，涉及自然语言处理领域，用以高效、准确地对油藏文本进行实体抽取。本发明先对获取的部分油藏文本进行不同类型的标注，用prompt模板将标注文本转换为输入样本，并对应得到指示实体位置的真实标签；每种类型下利用成对的训练样本对实体抽取模型进行微调训练，实体抽取模型对训练样本进行多级特征提取，输出指示实体位置的预测标签；每一轮微调训练后对无标注油藏文本进行预测，人工修正错误的预测标签，用以扩充训练样本，使用所有训练样本对实体抽取模型进行训练；以最终训练的实体抽取模型对待预测油藏文本进行预测并解码。本发明的模型训练效率高、预测准确性高。
-
Patent Agency Ranking
公开(公告)号：CN118194846A
公开(公告)日：2024-06-14
申请号：CN202410494551.1
申请日：2024-04-24
Applicant: 西安电子科技大学
IPC: G06F40/205 , G06N3/0442 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种基于对抗学习的实体关系联合抽取方法，涉及自然语言处理领域，用以提高实体关系联合抽取的效率和准确率。本发明利用预训练的BERT模型对输入句子进行编码，同时生成潜在关系集合和全局对应矩阵；将每个潜在关系的编码和句子编码进行拼接，通过双向长短期记忆网络建模上下文信息，利用标签标注方法分别对句子进行主体和客体标记；利用全局对应矩阵对所有可能的三元组进行约束过滤，得到最终三元组。本发明将潜在关系向量作为先验信息抽取实体，可以使神经网络模型更关注于潜在关系类型相关的语义信息，提高了联合抽取的效率。通过双向长短期记忆网络建模上下文信息，并引入对抗学习的思想，进一步提升了实体关系联合抽取的准确率。
-
公开(公告)号：CN117493697A
公开(公告)日：2024-02-02
申请号：CN202410002159.0
申请日：2024-01-02
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06F40/30 , G06N3/044 , G06N3/048 , G06N3/08 , G06F8/70 , G06F16/33 , G06F16/35 , G06F18/24 , G06F18/25
Abstract: 本发明公开了一种基于多模态特征融合的Web API推荐方法和系统。通过使用深度学习网络处理混搭服务的文本描述，得到混搭服务的文本特征向量，使用神经协同过滤网络处理混搭服务与Web API的历史调用记录，得到混搭服务的交互特征向量，再融合混搭服务的文本特征向量和交互特征向量，得到混搭服务的预测向量，计算预测向量得到Web API预测值；根据历史调用记录，以最小化预测值与实际值的差距为目的对模型进行训练。将预开发的混搭服务输入到训练的模型，得到推荐的Web API预测值，根据预测值大小对候选Web API排序作为推荐结果。本发明融合了混搭服务的多种特征，有效整合了各种模态的互补信息，提高了推荐Web API的准确性。
-
公开(公告)号：CN114896514A
公开(公告)日：2022-08-12
申请号：CN202210825930.5
申请日：2022-07-14
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的Web API标签推荐方法，包括：根据元路径从Web API数据中抽取出Web API节点的邻居节点，将其映射到欧几里德空间中。使用注意力机制将各邻居节点的向量表示聚合，得到局部聚合信息；使用注意力机制将不同元路径下局部聚合信息进行聚合，得到语义信息；将语义信息输入多标签分类器中，完成对Web API的标签推荐。本发明使用图神经网络，每次从Web API节点中抽取邻居节点，避免了数据稀疏性问题；聚合了Web API节点的局部结构信息和语义信息，提高了服务查找结果的精确性，减少了推荐模型的计算量，解决了物品冷启动问题。
-
公开(公告)号：CN119094309A
公开(公告)日：2024-12-06
申请号：CN202411306276.2
申请日：2024-09-19
Applicant: 西安电子科技大学
IPC: H04L41/0273 , G06N3/126 , H04L41/50 , H04L41/5054 , H04L41/14 , H04L67/10
Abstract: 本发明公开了一种云原生环境下的微服务部署方法和系统，涉及云原生技术领域，用以更为快速和全面地部署微服务。本发明先构建微服务部署模型，该微服务部署模型中包含多个优化目标；利用快速可行解优化算法优化出所述微服务部署模型中的一个优化目标；利用多目标优化算法优化所述服务部署模型的所有优化目标，所述多目标优化以所述快速可行解优化算法优化出的优化目标为初始解。本发明不仅在多个目标上实现优化，提升系统性能和资源利用率，还加速了优化过程，适用于大规模复杂的微服务场景。
-
公开(公告)号：CN118333828A
公开(公告)日：2024-07-12
申请号：CN202410511039.3
申请日：2024-04-26
Applicant: 西安电子科技大学
IPC: G06T1/00 , G06N3/0455 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种兼顾容量和鲁棒性的图像隐写系统和方法，涉及图像处理领域，用以兼顾图像隐写中秘密信息的高容量和高鲁棒性问题。本发明通过构建神经网络来执行：生成秘密信息；将秘密信息与载体图像拼接后，与加权的秘密信息和载体图像进行密集连接，得到载密图像；并在训练神经网络时评价得到的载密图像是否为加密的图像；对载密图像进行加噪，得到噪声图像；从噪声图像中提取出秘密信息；训练该神经网络，以最小化将得到的载密图像评价为加密的图像的可能性，以及最小化所提取出的秘密信息与所生成的秘密信息的差距。本发明加入了噪声网络来提升网络模型的鲁棒性，使用可分离卷积构建编码器模块和解码器模块，提升了嵌密容量。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.025 seconds)
