-
公开(公告)号：CN106649657A
公开(公告)日：2017-05-10
申请号：CN201611144356.8
申请日：2016-12-13
Applicant: 重庆邮电大学
CPC classification number: G06F16/9535 , G06Q50/01
Abstract: 本发明公开一种面向社交网络基于张量分解的上下文感知推荐系统及方法，属于数据挖掘和信息检索领域。首先，该方法利用社交网络海量数据集，收集用户，项目，上下文，关注列表信息，构建原始用户‑项目‑上下文评分矩阵，并计算用户相似度，构建用户‑用户相似度矩阵；其次，针对原始评分矩阵的极度稀疏性，利用张量分解对稀疏评分矩阵进行预测填充；第三，针对用户相似度矩阵稀疏问题，通过矩阵分解对稀疏用户相似度矩阵进行预测填充；最后，根据社交网络中相似的用户具有相似的兴趣倾向，在优化评分矩阵时加入社交正则化项。该方法改进了传统预测评分矩阵没有考虑上下文信息和用户间关系对打分的影响，解决了评分矩阵稀疏给推荐系统带来的阻碍，提高了推荐系统的准确性，本方法可以广泛运用于社交网络、电子商务等领域。
-
公开(公告)号：CN106651030A
公开(公告)日：2017-05-10
申请号：CN201611189974.4
申请日：2016-12-21
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种改进的RBF神经网络热点话题用户参与行为预测方法，属于计算机网络信息技术分析领域。首先，考虑到神经网络能够对用户行为之间复杂的非线性关系起到良好的拟合效果，并进一步采用RBF(Radical Basis Function，径向基函数)神经网络构建用户参与行为预测模型；其次，由于用户属性与参与行为之间的映射关系具有不确定性，引入云理论(Cloud)对RBF中隐含层的激活函数进行优化；最后，针对用户的参与行为随时间变化的特点，利用时间离散化及时间切片方法，对话题热度进行基于指数函数模型的参数拟合，从而得出话题热度变化趋势。
-
公开(公告)号：CN106649658A
公开(公告)日：2017-05-10
申请号：CN201611144380.1
申请日：2016-12-13
Applicant: 重庆邮电大学
CPC classification number: G06F16/9535 , G06Q50/01
Abstract: 本发明请求保护一种针对用户角色无差异对待和数据稀疏问题的推荐系统及方法，属于数据挖掘和信息检索领域。包括步骤：首先，为解决用户角色无差异对待问题，基于用户评分密度，利用时间切片方法划分评分时间区域。同时，引入信息熵理论度量时间区域内用户角色，进行用户角色动态划分，实现评分数据层次化处理。其次，针对数据稀疏问题，构建基于“用户‑项目‑角色”的张量分解评分预测模型，通过CP分解法对数据缺失值进行处理，得到评分预测结果，生成目标用户推荐列表。本发明有效改善了数据稀疏性产生的问题，提高了推荐效率。
-
公开(公告)号：CN106649659B
公开(公告)日：2020-09-29
申请号：CN201611144573.7
申请日：2016-12-13
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06Q10/04 , G06Q50/00
Abstract: 本发明请求保护一种面向社交网络的链接预测系统及方法，属于数据挖掘、社交网络分析领域。基于在线用户以及用户好友关系网络，分别从用户的兴趣关注、信息交互以及共邻用户三个方面出发，构建社交网络链接预测模型。首先，针对社交网络中用户的多个兴趣标签特点，利用LDA主题模型对用户行为进行建模，得到关于用户行为的主题分布；其次，利用高斯加权对标准LDA进行改进，提高主题表达能力；最后，通过引入隐朴素贝叶斯定义的共邻用户贡献算法，综合用户行为特征和网络结构特征进行链接预测。更充分地考虑共邻用户间的相互依赖关系，综合用户行为特征和网络结构特征进行链接预测，并发现链接建立的关键因素。
-
公开(公告)号：CN106651030B
公开(公告)日：2020-08-04
申请号：CN201611189974.4
申请日：2016-12-21
Applicant: 重庆邮电大学
IPC: G06F16/00
Abstract: 本发明请求保护一种改进的RBF神经网络热点话题用户参与行为预测方法，属于计算机网络信息技术分析领域。首先，考虑到神经网络能够对用户行为之间复杂的非线性关系起到良好的拟合效果，并进一步采用RBF(Radical Basis Function，径向基函数)神经网络构建用户参与行为预测模型；其次，由于用户属性与参与行为之间的映射关系具有不确定性，引入云理论(Cloud)对RBF中隐含层的激活函数进行优化；最后，针对用户的参与行为随时间变化的特点，利用时间离散化及时间切片方法，对话题热度进行基于指数函数模型的参数拟合，从而得出话题热度变化趋势。
-
Patent Agency Ranking
公开(公告)号：CN106651016A
公开(公告)日：2017-05-10
申请号：CN201611144446.7
申请日：2016-12-13
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种热点话题下动态预测用户行为的系统及方法，属于社交网络分析领域。基于社交网络中用户间的关系网及用户的过往行为，根据用户参与话题的时间将用户分为热点用户和备选用户，通过时间离散化和时间切片的方法，将话题的时效性特征融入到其中，并且，针对热点话题在生命周期各阶段的数据不均匀和数据稀疏问题，构建了基于张量分解的预测模型。同时，为了体现话题发展的动态形式，在对话题进行时间切片后引入了增量张量分解模型对用户行为进行预测，使其动态的对用户行为进行预测，并且可以根据预测的用户行为把握话题的发展趋势。
-
公开(公告)号：CN106649659A
公开(公告)日：2017-05-10
申请号：CN201611144573.7
申请日：2016-12-13
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种面向社交网络的链接预测系统及方法，属于数据挖掘、社交网络分析领域。基于在线用户以及用户好友关系网络，分别从用户的兴趣关注、信息交互以及共邻用户三个方面出发，构建社交网络链接预测模型。首先，针对社交网络中用户的多个兴趣标签特点，利用LDA主题模型对用户行为进行建模，得到关于用户行为的主题分布；其次，利用高斯加权对标准LDA进行改进，提高主题表达能力；最后，通过引入隐朴素贝叶斯定义的共邻用户贡献算法，综合用户行为特征和网络结构特征进行链接预测。更充分地考虑共邻用户间的相互依赖关系，综合用户行为特征和网络结构特征进行链接预测，并发现链接建立的关键因素。
-
公开(公告)号：CN106533968A
公开(公告)日：2017-03-22
申请号：CN201611189935.4
申请日：2016-12-21
Applicant: 重庆邮电大学
IPC: H04L12/803 , H04L12/911 , H04L12/927 , H04L29/06
Abstract: 本发明请求保护一种基于网络中间设备的软件定义移动网络安全策略。首先，为了把相应中间设备放在网络中最合适的位置，结合dataflow抽象技术，针对外部网络以及内部网络文件系统(NFS)，本文制定了不同的策略及其对应的中间设备序列，从而更加灵活地处理网络路由；其次，为了避免某一中间设备成为网络热点造成单点失效，本文基于中间设备和SDN交换机容量限制,制定了整数线性规划(ILP)逻辑路由减枝算法以及线性规划(LP)流量控制算法，使得整个网络能够负载均衡；最后，为了避免中间设备的缓存阻碍访问控制策略的实施，结合常用的数据流跟踪技术，本文对流经中间设备的数据包头部添加标签，使得访问控制规则能正常运行。
-
公开(公告)号：CN106651016B
公开(公告)日：2020-08-04
申请号：CN201611144446.7
申请日：2016-12-13
Applicant: 重庆邮电大学
IPC: G06F16/00
Abstract: 本发明请求保护一种热点话题下动态预测用户行为的系统及方法，属于社交网络分析领域。基于社交网络中用户间的关系网及用户的过往行为，根据用户参与话题的时间将用户分为热点用户和备选用户，通过时间离散化和时间切片的方法，将话题的时效性特征融入到其中，并且，针对热点话题在生命周期各阶段的数据不均匀和数据稀疏问题，构建了基于张量分解的预测模型。同时，为了体现话题发展的动态形式，在对话题进行时间切片后引入了增量张量分解模型对用户行为进行预测，使其动态的对用户行为进行预测，并且可以根据预测的用户行为把握话题的发展趋势。
-
公开(公告)号：CN106682502B
公开(公告)日：2019-07-19
申请号：CN201611144378.4
申请日：2016-12-13
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于隐马尔可夫和概率推断的入侵意图识别系统及方法，属于计算机安全技术领域。首先，由于攻击事件、子目标、意图三者之间存在的因果关系，建立层次贝叶斯网络(HBN)来表示其同层与层间的因果关系。其次，子目标层具有明显的时序特征，基于隐马尔可夫模型(HMM)对子目标层和意图层的隐藏关系进行学习。最后，提出多输出隐马尔可夫模型(MO_HMM)，通过引入带环置信度传播算法(LBP)优化HMM中前向算法和后向算法单一概率输出的问题，使其可以报送多个可能意图及其概率。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.021 seconds)
