-
公开(公告)号：CN116611442A
公开(公告)日：2023-08-18
申请号：CN202310431484.4
申请日：2023-04-21
Applicant: 重庆大学
IPC: G06F40/30 , G06F40/211 , G06F18/213 , G06F18/25
Abstract: 本发明涉及一种基于深度语义提取的兴趣点推荐方法，首先获取现有数据。构建用于下一个POI推荐的深度语义推荐模型DSMR，对DSMR进行训练，DSMR的训练包括两步，第一步先训练DSM中的参数和DSMR中语义嵌入层的参数，而DSMR中的其他参数被冻结，第二步DSM中的参数和DSMR中语义嵌入层的参数被冻结，训练DSMR中的其他参数；两步训练完成后，得到训练好的DSMR；对于一个新用户，将该新用户的POI输入训练好的DSMR中，训练好的DSMR的输出即是对该新用户推荐的下一个POI。本发明中提出的方法能够挖掘离散序列内隐的深度语义信息，并将其注入推荐模型中以提升其推荐性能。
-
公开(公告)号：CN116185694A
公开(公告)日：2023-05-30
申请号：CN202310208218.5
申请日：2023-03-06
Applicant: 重庆大学
IPC: G06F11/07
Abstract: 本发明提供了一种基于相似度的多元时间序列异常检测与诊断方法，包括：S1，获取待测试的多元时间序列；S2，结合基本概率分配方法和谷本测量获取相似度矩阵；S3，利用基于注意力机制的重构模型重构相似度矩阵；S4，比较相似度矩阵和重构矩阵得到相似误差矩阵，将相似误差矩阵中异常元素数量作为对应时刻的异常分数；S5，若异常分数达到第一阈值则该时刻异常，据异常元素分布确定异常属性。基于基本概率分配与谷本系数的相似度矩阵计算方法实现了多元时间序列属性之间的可解释关系，注意力机制的重构模型加强了处理长时间、高维度数据的能力，以更好地描述长期的时间依赖关系，提高异常诊断的能力，能检出异常时刻和异常属性。
-
公开(公告)号：CN115510333A
公开(公告)日：2022-12-23
申请号：CN202211176462.X
申请日：2022-09-26
Applicant: 重庆大学
IPC: G06F16/9536 , G06F16/9537
Abstract: 本发明涉及一种基于时空感知并结合局部和全局偏好的POI预测方法，包括如下步骤：S1：选用公开签入POIs数据集作为训练集，该训练集包括用户历史POI轨迹序列；S2：构建POI预测模型LGSA，LGSA包括局部特征模块、全局特征模块和特征融合模块；S3：利用局部特征模块和全局特征模块计算用户历史POI轨迹序列的Locu和Glou；S4：设置初始权重系数α，使用特征融合模块将Locu和Glou进行结合得到总偏好特征Cu；S5：利用总偏好特征Cu预测得到用户的下一个兴趣点。使用本发明模型可以进一步提高对POI预测的准确性。
-
公开(公告)号：CN115309887A
公开(公告)日：2022-11-08
申请号：CN202210950607.0
申请日：2022-08-09
Applicant: 重庆大学
Abstract: 本发明涉及一种基于双流注意力和位置残差连接的文本摘要自动抽取方法，包括如下步骤：选用公开数据集并对数据集中的数据进行标注；构建RBPSum模型，RBPSum模型包括句子编码器、上下文编码器和输出层；采用句子编码器对训练集中所有语句进行语句的特征提取，得到每条语句的句子特征表示；将句子特征表示作为上下文编码器的输入，依次经过L个句子强化层，输出得到对应的上下文位置编码信息；最后通过输出层得到每条语句被选取作为摘要的概率值，选择前K个概率值所对应的语句作为对文本的预测摘要。使用本发明模型，其性能优于大量以往的SOTA模型，能够更准确的提取文本中的关键信息作为文本摘要，即使是在使用小规模数据时，其性能仍具有很强的竞争力。
-
公开(公告)号：CN114780889A
公开(公告)日：2022-07-22
申请号：CN202210491621.9
申请日：2022-05-07
Applicant: 重庆大学
IPC: G06F16/957 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于模仿学习的缓存替换系统及方法，系统包括访问数据获取模块、缓存替换预测模块、缓存替换模块和数据库；方法步骤为：1)获取缓存访问请求序列；2)将缓存访问请求序列输入到训练好的缓存替换预测神经网络中，计算得到缓存行逐出概率，并传输至缓存替换模块；3)所述缓存替换模块根据缓存行逐出策略进行缓存行的逐出，从而将当前缓存访问请求存入缓存中。本发明使用时间卷积神经网络和注意力机制等序列信息特征提取器构建神经网络模型，充分提取了访问序列的历史信息以及缓存中缓存行的上下文信息，提高了模型预测的性能。
-
Patent Agency Ranking
公开(公告)号：CN112966096B
公开(公告)日：2022-05-24
申请号：CN202110371604.7
申请日：2021-04-07
Applicant: 重庆大学
IPC: G06F16/335 , G06F16/9535 , G06F16/33 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多任务学习的云服务发现方法，该方法构建了一个构建PDAML模型，PDAML模型由ad‑hoc模块和个性化模块构成，通过所述ad‑hoc模块负责理解服务请求者查询意图并对候选服务计算排名得分，通过所述个性化模块得到一个表示服务请求者的兴趣特征的得分，对PDAML模型进行训练更新参数，对于一个服务请求者的当前查询，将ad‑hoc模块计算的当前查询对应的候选服务描述文档的得分和当前查询对应的候选服务描述文档的个性化排名得分送入一个MLP层中得到最终的排名得分，按照最终排名得分的由高到低的顺序进行候选服务描述文档推荐。通过在公开可用的AOL数据集上进行实验表明，本发明方法较以往的方法有显著的性能提升，获得了最新的结果。
-
公开(公告)号：CN114116692A
公开(公告)日：2022-03-01
申请号：CN202111299422.X
申请日：2021-11-04
Applicant: 重庆大学
IPC: G06F16/215 , G06F16/2457 , G06F16/2458
Abstract: 本发明涉及一种基于mask和双向模型的缺失POI轨迹补全方法，包括如下步骤：选取公开数据集确认兴趣点POI的地点和时间标签；按时间对兴趣点进行排序，得到用户轨迹序列；采用MASK机制随机覆盖用户轨迹中若干个兴趣点得到不完整轨迹序列Sm；对Sm进行所需要求处理，得到相关向量Lu、P和将这三种向量矩阵进行想相加得到地点集嵌入矩阵In；构建双向网络模型，并通过损失函数训练该双向网络模型，最终得到训练好的双向网络模型。使用本方法可以更加有效的学习用户行为序列的表示，并且能够很准确的补全序列中缺失的POIs。
-
公开(公告)号：CN113961819A
公开(公告)日：2022-01-21
申请号：CN202111060059.6
申请日：2021-09-10
Applicant: 重庆大学
IPC: G06F16/9536 , G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开具有共注意记忆机制的多偏好协同过滤推荐系统，包括交互信息获取模块、用户特征提取模块、用户潜在偏好提取模块、用户偏好过滤模块、推荐模块；本发明通过记忆模块捕获用户交互的高级信息。通过分解和重新组织多个图中的边来提取用户的潜在交互偏好。
-
公开(公告)号：CN112966096A
公开(公告)日：2021-06-15
申请号：CN202110371604.7
申请日：2021-04-07
Applicant: 重庆大学
IPC: G06F16/335 , G06F16/9535 , G06F16/33 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多任务学习的云服务发现方法，该方法构建了一个构建PDAML模型，PDAML模型由ad‑hoc模块和个性化模块构成，通过所述ad‑hoc模块负责理解服务请求者查询意图并对候选服务计算排名得分，通过所述个性化模块得到一个表示服务请求者的兴趣特征的得分，对PDAML模型进行训练更新参数，对于一个服务请求者的当前查询，将ad‑hoc模块计算的当前查询对应的候选服务描述文档的得分和当前查询对应的候选服务描述文档的个性化排名得分送入一个MLP层中得到最终的排名得分，按照最终排名得分的由高到低的顺序进行候选服务描述文档推荐。通过在公开可用的AOL数据集上进行实验表明，本发明方法较以往的方法有显著的性能提升，获得了最新的结果。
-
公开(公告)号：CN112905343A
公开(公告)日：2021-06-04
申请号：CN202110183248.6
申请日：2021-02-09
Applicant: 重庆大学
Abstract: 本发明公开一种工业云环境下基于负载特性的资源调度系统，包括负载数据监控器、负载特性分析器、资源调度决策器、资源调度执行器和数据库；本发明针对工业云环境负载的复杂性，结合机器学习和传统方法，设计了一种基于负载特性的资源调度系统，并将其应用于工业云平台中。
-
-
-
-
-
-
-
-
-
Search Results
115
records
(took 0.027 seconds)
