-
公开(公告)号：CN112650932A
公开(公告)日：2021-04-13
申请号：CN202110004042.2
申请日：2021-01-04
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种融合社交和位置关系的神经协同过滤POI推荐方法，属于计算机领域。该方法包括：S1：获取数据，划分训练集、验证集、测试集；S2：构建用户关系图和POI关系图；S3：为每个用户和每个POI采样无连接子图；S4：构建GBCF模型；S5：使用训练集训练模型，并利用验证集选择效果最佳的模型；S6：利用训练好的模型得到用户对POIs的偏好得分，并结合TOP‑K排序生成用户感兴趣的POI推荐列表。本发明通过构建用户关系图和POI关系图，并用Graph‑Bert学习到用户与POI的特征表示，最后使用神经协同过滤得到用户对POIs的偏好得分，并结合TOP‑K排序生成用户感兴趣的POI推荐列表。
-
公开(公告)号：CN104021230B
公开(公告)日：2017-02-15
申请号：CN201410298575.6
申请日：2014-06-27
Applicant: 重庆邮电大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于社区发现的协同过滤方法，包括以下步骤：1)将用户—项目网络转换为邻接矩阵形式，如果用户对项目评分，那么对应于矩阵的相应元素就存在值，即评分数据；2)构造用户—用户矩阵，用户—用户矩阵中的元素为用户与用户的相似度，相似度的计算方法采用新型的基于Pearson的相似度计算方法；3)基于用户—用户矩阵通过社区发现方法发现社区结构，并对用户—项目矩阵中的部分缺失评分进行预测填充；4)计算目标用户与社区之间以及用户与用户之间的相似度关系构造最近邻候选集，并完成推荐。该方法有效的解决了传统过滤算法中的冷启动问题，通过改进相似度计算公式以及对缺失评分的预测填充有效提高了算法推荐的精度，在平均绝对误差上也有着更好的表现。
-
公开(公告)号：CN105939532A
公开(公告)日：2016-09-14
申请号：CN201510594990.0
申请日：2015-09-18
Applicant: 重庆邮电大学
IPC: H04W40/20 , H04L12/721
Abstract: 本发明涉及一种多信道路由协议，当源节点需要向目的节点发送数据分组时，源节点会调用目的节点获取位置和速度信息填入RREQ新增数据中并向目的节点发送；每一个收到RREQ消息的节点会利用优先节点判断机制来判定自身是否为优先节点，目的节点收到RREQ消息并向源节点回复RREP消息的过程中，会建立备份路由，源节点选择网络中可用的服务信道作为工作信道，根据服务信道的使用率动态地切换工作信道；目的节点通过自适应分布式位置服务获取车辆的位置、速度及方向信息；源节点发送或转发数据报文时，结合目的节点的工作信道使用率，使用贪婪转发算法选择下一跳邻居节点，或者由车辆节点携带数据报文移动，直至数据报文到达目的节点。
-
公开(公告)号：CN102663382A
公开(公告)日：2012-09-12
申请号：CN201210124376.4
申请日：2012-04-25
Applicant: 重庆邮电大学
IPC: G06K9/20
Abstract: 一种基于子网格特征自适应加权的视频图像文字识别方法。针对现有视频图像文字识别中存在的技术问题，本发明给出了一种给合边缘特征的图像文字二值化方法；获取到文字的二值图像后，采用弹性网格方法对图像文字进行区域网格划分，在计算其弹性网格特征之前，提出相邻网格的笔画结构相关性的判定。通过结合以上方法，使字符特征提取在稳定性和健壮性方面得以提高，从而有利于视频图像文字的识别率。
-
公开(公告)号：CN119514727A
公开(公告)日：2025-02-25
申请号：CN202411590369.2
申请日：2024-11-08
Applicant: 重庆邮电大学
IPC: G06N20/00
Abstract: 本发明涉及一种基于自适应本地模型初始化和双重知识蒸馏的个性化联邦学习方法，属于边缘计算技术领域。该方法通过在每个客户端上根据全局模型与局部模型之间的余弦相似度进行本地模型初始化，获取自适应初始化后的局部模型；在每个客户端上根据全局模型和历史局部模型分别进行知识蒸馏，通过双重知识蒸馏更新局部模型的参数；中央服务器接收参与训练的所有客户端上传的局部模型，并基于数据质量和客户端贡献度的双重动态聚合权重，得到最终的全局模型。本发明在处理数据异质性问题时能够显著提高模型的精度和收敛速度，并在多种边缘计算场景中表现出较好的适应性与鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN119474557A
公开(公告)日：2025-02-18
申请号：CN202411590370.5
申请日：2024-11-08
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06N5/022 , G06N20/00
Abstract: 本发明涉及一种基于知识图谱和注意力机制的推荐方法，属于个性化推荐领域。该方法包括：定义知识图谱感知推荐问题，建立用户与项目交互矩阵以及作为输入的知识图谱；在知识图谱传播层中设置用户和项目的种子集，并将种子集沿相邻实体进行传播，捕获用户和项目的基于知识的高阶交互信息；在知识感知注意力嵌入层通过注意力机制为每一个关系学习对应的潜在关系表示，得到潜在关联的实体集合；通过聚合器对实体集合进行处理得到对应的聚合向量，并根据聚合向量预测用户对项目的偏好评分；设计损失函数对上述过程进行训练，训练完成后用于用户偏好推荐。本发明能够更准确地捕捉用户和物品之间的潜在关系，为用户提供更加精准、个性化的推荐服务。
-
公开(公告)号：CN117579126A
公开(公告)日：2024-02-20
申请号：CN202311554756.6
申请日：2023-11-21
Applicant: 重庆邮电大学
IPC: H04B7/185 , H04L67/1008 , H04L67/1034 , H04W28/084 , H04W28/082 , H04W84/06 , G06F9/50 , G06N7/01 , G06N20/00
Abstract: 本发明涉及一种基于深度强化学习的卫星移动边缘计算卸载决策方法，属于移动边缘计算领域。该方法将用户设备、低轨卫星和云服务器构建为移动边缘计算模型，并根据该模型计算任务处理的能耗和延迟，再根据能耗和延迟建立待优化的目标函数；随后将目标函数的优化构建为马尔可夫决策过程，并采用深度强化学习进行训练，通过更新网络从而优化目标函数。本发明采用基于连续动作空间的算法可以避免将连续动作空间离散化而造成的维数灾难，并且可以获得更好的局部执行和任务卸载控制，从而可大大提升计算卸载决策的性能。
-
公开(公告)号：CN117573978A
公开(公告)日：2024-02-20
申请号：CN202311564047.6
申请日：2023-11-22
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06Q30/0251 , G06Q30/0241 , G06N3/042 , G06N3/08
Abstract: 本发明涉及一种基于异构图表征学习的兴趣点推荐方法，属于推荐系统领域。该方法包括：获取用户当前和历史轨迹数据并进行清洗以去掉缺省值和失真值；将轨迹范围按周进行划分；将当前时间的日期进行归一化，再保存为CSV数据；构建用户‑兴趣点异构图，同时对用户节点和兴趣节点之间的边权重进行标定；建立异构图模型的图神经网络；将用户‑兴趣点异构图节点、时间和兴趣点类别进行编码；将时间特征嵌入和类别特征嵌入馈入全连接层，将用户嵌入表示和兴趣点嵌入表示馈入注意力层，串联全连接层和注意力层的输出得到轨迹表示；将轨迹表示馈入transformer模块，通过损失函数进行迭代直至损失值稳定，完成用户下一个兴趣点的预测。
-
公开(公告)号：CN114493776A
公开(公告)日：2022-05-13
申请号：CN202210065574.1
申请日：2022-01-20
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于区块链的多租户分布式租赁卫星网络资源的方法，属于移动通信领域。该方法包括：S1：构建卫星网络资源租赁的多租户商业生态系统；S2：构建基于区块链的卫星网络资源租赁机制，具体包括：S21：构建卫星网络资源的双重租赁机制；S22：构建基于区块链的资源租赁机制；S23：获取参与者的信誉值：先计算参与者的声誉分数，然后结合交易费用来保证参与者的诚实度，最后使用滑动窗口来确保选择的领导者是持续贡献的诚实参与者。本发明将声誉与基于区块链的租赁机制相结合，防止中间实体操纵交易结果，并提高系统的交易吞吐量，减少交易延迟。
-
公开(公告)号：CN110598130A
公开(公告)日：2019-12-20
申请号：CN201910947264.0
申请日：2019-09-30
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08 , G06Q30/06
Abstract: 本发明涉及一种融合异构信息网络和深度学习的电影推荐方法，包括S1：获取用户-电影交互数据，包括用户属性、用户-电影的交互数据和电影的属性数据；S2：提取关系对，包括用户-电影交互关系对、电影属性关系对、用户属性关系对；S3：构建异构信息网络；S4：设计元路径，并根据元路径分别以用户和电影为中心提取网络中的结构关系；S5：采用HIN2Vec方法提取网络中的节点特征；S6：构建用户-电影交互特征矩阵，并根据电影数据集，给特征矩阵标签化；S7：构建卷积神经网络模型，根据S6生成的标签化的特征矩阵，训练卷积神经网络模型；S8：运用训练好的模型进行偏好预测，运用TOP-K排序，生成用户感兴趣的电影序列。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.025 seconds)
