公开(公告)号：CN119166909A

公开(公告)日：2024-12-20

申请号：CN202411213862.2

申请日：2024-08-31

Applicant: 福州大学

Inventor： 陈羽中 ,  林修镪 ,  陈子阳

IPC: G06F16/9537 ,  G06F18/214 ,  G06N20/00

Abstract: 本发明涉及一种基于自注意力序列推荐方法及系统，该方法包括以下步骤：步骤A：获取商品的文本信息和用户行为数据，构建训练集；步骤B：构建深度学习网络模型，所述深度学习网络模型使用商品文本信息来计算得到商品embedding，通过结合文本预训练模型和基于自注意力机制的时间编码更全面地理解用户的行为模式和兴趣演化；使用训练集训练深度学习网络模型，得到训练好的深度学习网络模型；步骤C：将商品、用户数据输入训练好的深度学习网络模型中，输出当前用户对目标商品的评分排名。该方法及系统有利于提高推荐系统预测的准确性。

公开(公告)号：CN119166893A

公开(公告)日：2024-12-20

申请号：CN202411213868.X

申请日：2024-08-31

Applicant: 福州大学

Inventor： 陈羽中 ,  冯京禹 ,  陈子阳

IPC: G06F16/9535 ,  G06F16/9537 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0464 ,  G06F17/16

Abstract: 本发明涉及一种长短时兴趣捕捉与细粒度时间融合的序列推荐方法及系统，该方法包括：采集用户的行为数据；构建长短时兴趣捕捉与细粒度时间融合的深度学习网络模型，所述深度学习网络模型根据细粒度时间信息具有的变化频率特性，对时间戳进行建模，使用自注意机制和卷积神经网络来分别提取用户的长时兴趣和短时兴趣，使用对比学习机制提取长、短时兴趣中的关联兴趣，并将关联兴趣信息引入兴趣融合模块，实现精准推荐；通过采集到的数据构建训练集，然后使用训练集训练所述深度学习网络模型；将用户、物品、交互数据输入训练好的深度学习网络模型中，输出当前用户对目标物品的点击概率。该方法及系统有利于提高序列推荐预测的准确性。

公开(公告)号：CN119166809A

公开(公告)日：2024-12-20

申请号：CN202411213847.8

申请日：2024-08-31

Applicant: 福州大学

Inventor： 陈羽中 ,  林嘉丽 ,  陈子阳

IPC: G06F16/35 ,  G06F40/216 ,  G06F40/247 ,  G06F17/16 ,  G06F40/30 ,  G06N5/022 ,  G06N3/048

Abstract: 本发明涉及一种基于多源知识和多粒度图文特征的情感分析方法，该方法包括：步骤A：采集文本和图片数据，识别并标记文本中的方面词及其情感极性，形成训练集；步骤B：构建基于外部多源知识和多粒度图文特征的深度学习网络模型，利用AMR图和图像标签得到知识增强的文本特征表示和图像特征表示，并利用文本的句法依赖关系、文本的成分树结构和细粒度图像‑文本关系矩阵，结合多层图注意力网络获得多粒度文本‑视觉融合特征表示；使用训练集训练深度学习网络模型；步骤C：将文本数据和图片数据依次输入训练好的深度学习网络模型，提取文本数据中的方面词，并预测该方面词对应的情感极性。该方法及系统有利于提高情感极性分析的准确性。

公开(公告)号：CN114399757B

公开(公告)日：2024-08-02

申请号：CN202210039603.7

申请日：2022-01-13

Applicant: 福州大学

Inventor： 陈羽中 ,  陈敏

IPC: G06V20/62 ,  G06V30/148 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明涉及一种多路并行位置关联网络的自然场景文本识别方法及系统。包括以下步骤：步骤A、裁剪自然场景图片中只包含文本信息的图像，并标注图片中对应的文本以及文本长度，构建训练数据集S；步骤B、使用训练集S训练基于多路并行位置关联的深度学习网络模型G，用于识别自然场景图片中的文本信息；步骤C、将裁剪为固定大小的文本图片输入到训练后的深度学习网络模型G中，得到图片中对应的目标字符文本信息。本发明能够有效提高文本识别的准确度。

公开(公告)号：CN114494699B

公开(公告)日：2024-07-26

申请号：CN202210109479.7

申请日：2022-01-28

Applicant: 福州大学

Inventor： 陈羽中 ,  占小路

IPC: G06V10/26 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/084

Abstract: 本发明涉及一种基于语义传播与前背景感知的图像语义分割方法及系统，该方法包括以下步骤：步骤A：收集特定场景的图像样本，并标注每个像素所属的对象类别，构建带类别标签的训练集；步骤B：利用图像增强技术对训练集进行数据增强，得到增强后的训练集SE；步骤C：使用训练集SE训练基于语义传播与前背景感知的深度学习网络模型，用于分析图像中每个像素的语义类别；步骤D：将待分割图像输入到训练后的深度学习网络模型中，输出与原图大小相同的语义分割图，得到语义分割结果。该方法及系统有利于提高图像语义分割的像素准确性与平均交并比。

公开(公告)号：CN118114683A

公开(公告)日：2024-05-31

申请号：CN202410247286.7

申请日：2024-03-05

Applicant: 福州大学

Inventor： 陈羽中 ,  廖洪淼 ,  陈子阳

IPC: G06F40/35 ,  G06N3/084 ,  G06F40/211 ,  G06F40/284

Abstract: 本发明涉及一种基于异构图的状态感知对话状态跟踪方法，包括以下步骤：步骤A：采集对话系统人机对话数据，包含用户话语、系统响应话语、预定义的状态槽位以及状态值，构建对话状态跟踪训练集；步骤B：使用训练集训练基于细粒度图注意力网络的深度学习网络模型G，用于预测每个回合的对话状态；步骤C：将对话状态数据输入深度学习网络模型G中，输出当前回合对话的对话状态。该方法及系统有利于提高对话状态跟踪的准确性。

公开(公告)号：CN116776002A

公开(公告)日：2023-09-19

申请号：CN202310794792.3

申请日：2023-06-30

Applicant: 福州大学

Inventor： 陈羽中 ,  郑志强 ,  陈子阳

IPC: G06F16/9535 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0499 ,  G06N3/048 ,  G06N3/0895

Abstract: 本发明涉及一种多行为多对比视图的序列推荐方法及系统，该方法包括以下步骤：步骤A：采集用户在与物品交互下产生的多行为数据，构建多行为多视图训练集；步骤B：使用训练集训练用于序列推荐的深度学习网络模型，所述深度学习网络模型利用图信息的全局性和序列信息的个体性进行相互补充增强，同时对图数据进行数据增强以进行对比学习，以学习到更加鲁棒的表征，对序列数据进行数据增强以进行对比学习，以解决序列稀疏问题，进一步提高图和序列本身的表征能力；步骤C：将用户行为数据依次输入深度学习网络模型中，输出当前用户相应的推荐结果。该方法及系统有利于提高用户推荐结果的满意度。

公开(公告)号：CN116776001A

公开(公告)日：2023-09-19

申请号：CN202310794755.2

申请日：2023-06-30

Applicant: 福州大学

Inventor： 陈羽中 ,  陈仕杰 ,  陈子阳

IPC: G06F16/9535 ,  G06F16/36 ,  G06F18/214 ,  G06N3/042 ,  G06N3/084 ,  G06N3/0895

Abstract: 本发明涉及一种基于知识增强与对比学习的点击率预测方法及系统，该方法包括以下步骤：步骤A：采集用户的行为数据，包含用户ID、商品ID、商品类型和交互时间，构建点击率预测训练集；步骤B：使用训练集训练基于知识增强与对比学习的深度学习网络模型；步骤C：将用户、商品数据输入训练好的深度学习网络模型中，输出当前用户对候选商品的点击概率。该方法及系统有利于提高点击率预测的准确性。

公开(公告)号：CN116775839A

公开(公告)日：2023-09-19

申请号：CN202310794750.X

申请日：2023-06-30

Applicant: 福州大学

Inventor： 陈羽中 ,  郑旭 ,  陈子阳

IPC: G06F16/332 ,  G06F18/214 ,  G06N3/044 ,  G06N3/08 ,  G06N3/042 ,  G06N3/0455

Abstract: 本发明涉及一种基于自步学习的时序加权差异感知回复生成方法及系统，该方法包括以下步骤：步骤A：收集社交软件中自然的、开放领域的对话，并使用检索系统在维基百科中检索该对话相关的背景知识，并标注真实回复和真实知识的标签，以此来构建训练数据集DE；步骤B：使用训练数据集DE，训练基于自步学习策略的时序加权差异感知深度学习网络模型M，通过此模型选择需要的背景知识，并根据选择的背景知识生成回复；步骤C：将对话上下文、背景知识库输入到训练好的深度学习网络模型M中，生成对应的回复。该方法及系统有利于提高生成回复的准确性。

公开(公告)号：CN116258147A

公开(公告)日：2023-06-13

申请号：CN202310083964.6

申请日：2023-01-31

Applicant: 福州大学

Inventor： 陈羽中 ,  万宇杰

IPC: G06F40/30 ,  G06N3/0464 ,  G06N3/08 ,  G06N5/02

Abstract: 本发明涉及一种基于异构图卷积的多模态评论情感分析方法，包括以下步骤：步骤A：收集用户评论和相关图像，提取用户评论中涉及的产品或服务的方面词，并标注用户评论针对该产品或服务的特定方面的情感极性，以此来构建训练集DB；步骤B：使用训练集DB，训练基于知识图谱与异构图卷积网络的深度学习网络模型DLM，用于分析用户评论和相关图像对产品或服务的特定方面的情感极性；步骤C：将用户评论和相关图像与所涉及的产品或服务的方面词输入到训练好的深度学习网络模型中，获得用户评论和相关图像针对该产品或服务中的特定方面的情感极性。该方法及系统有利于提高情感分类的准确性。