基于异构图卷积神经网络的传染病方面级情感分类方法

    公开(公告)号:CN116662554A

    公开(公告)日:2023-08-29

    申请号:CN202310924083.2

    申请日:2023-07-26

    Abstract: 本发明公开了基于异构图卷积神经网络的传染病方面级情感分类方法,通过采集传染病舆情文本,并按方面类别和情感极性进行分类标注,再输入至词嵌入层,得到第一特征向量;将第一特征向量输入BiLSTM,得到第二特征向量,将第二特征向量组成第一向量表示矩阵;构建异构图;利用异构图卷积神经网络算法对异构图进行聚合更新,得到第二向量表示矩阵;将第二向量表示矩阵输入至注意力机制层;然后掩码层屏蔽非方面单词的隐藏状态向量,增强的方面特征向量;最后得到情感预测标签。采用本方法可以有效地分类社交媒体中与传染病舆情相关方面实体的情感极性,大大提高了方面情感分类任务的检测效果,有助于人们更好地理解公共舆论。

    一种信息溯源方法、装置、存储介质及电子设备

    公开(公告)号:CN116386894A

    公开(公告)日:2023-07-04

    申请号:CN202310246877.8

    申请日:2023-03-09

    Abstract: 本说明书公开了一种信息溯源方法、装置、存储介质及电子设备,本说明书实施例对图网络进行信息模拟传播,以得到传播后的图网络中每个节点的状态信息。将状态信息和图网络的基础网络结构信息输入到待训练的图神经网络模型中,以通过图神经网络模型预测出传播后的图网络中信息传播的起始节点。以预测出的起始节点与真实起始节点之间的差异最小化为优化目标,对图神经网络模型进行训练。在此方法中,不依赖于信息传播的传播系数预测传播源,而是通过对图神经网络模型进行有监督训练,使图神经网络模型学习到传播后的图网络与传播源之间的对应关系,以基于训练后的图神经网络模型预测待溯源的图网络中的传播源,来提高预测传播源的准确性。

    一种基于多元时序图结构的异步时间序列分类方法

    公开(公告)号:CN116257786A

    公开(公告)日:2023-06-13

    申请号:CN202211093387.0

    申请日:2022-09-08

    Abstract: 本发明属于图计算与时间序列序列分类领域,公开了一种基于多元时序图网络的异步时间序列分类方法,该方法构建了一个多元交互模块来处理缺失信息,并自动提取图结构关系,设计了一种新的邻接图传播机制来聚合当前和以前的多步快照的邻居信息,并构建了基于掩码时间感知的注意力模块用于学习观测值之间的时间相关性。本发明在对异步时序数据进行分类的过程中,实现了对缺失观测值的填充以及信息在不同传感器间相互传播,提高了算法在数据大量缺失下的鲁棒性,同时考虑时序数据在时间戳上下文的绝对意义和时间间隔的异步性,提高了多维异步时序数据的分类效果。

    传染病感染情况预测方法、系统、设备及存储介质

    公开(公告)号:CN115862888B

    公开(公告)日:2023-05-16

    申请号:CN202310135076.4

    申请日:2023-02-17

    Abstract: 本申请涉及一种传染病感染情况预测方法、系统、设备及存储介质,通过增量模块响应预设指令,控制输入模块获取新增数据,图引擎根据新增数据对基于历史数据得到的第一图模型进行迭代训练,得到第二图模型,如此进行图模型的动态更新,其中图模型以各地区作为节点,各节点特征基于地区病情信息获得,各节点按照地区之间的地理位置关系连接形成边,各边按照地区人口信息分配边权重,更新后的图模型利用交互模块选择的待预测数据进行传染病感染情况预测,解决了相关技术中传染病感染情况预测准确率较低的问题。

    一种面向信息茧房的跨领域推荐方法

    公开(公告)号:CN115525819A

    公开(公告)日:2022-12-27

    申请号:CN202210337382.1

    申请日:2022-03-31

    Abstract: 本发明公开了一种面向信息茧房的跨领域推荐方法,包括:1、获取用户对产品评分的数据集并进行数据预处理;2、构建跨领域知识迁移推荐模型的跨域知识迁移模块;3、构建跨领域知识迁移推荐模型的目标域意外性提取模块;4、利用训练集的数据对模型进行训练,并根据测试结果调整优化模型的超参数;5、将测试集数据输入到训练好的模型中,对输出的全部物品预测得分排序,最后选择前N项产品推荐给用户。本发明可产生对于用户而言感到既相关又意外的推荐产品,在保证推荐准确性的同时也能提升推荐的意外性,从而能提升用户满意度。

    一种基于梯度的样本学习难度度量方法及装置

    公开(公告)号:CN114492736A

    公开(公告)日:2022-05-13

    申请号:CN202111658842.2

    申请日:2021-12-30

    Abstract: 本发明公开了一种基于梯度的样本学习难度度量方法及装置,根据给定训练样本,构建一个深度神经网络,并使用随机梯度下降作为优化策略进行一次完整训练;记录这次完整训练中,K次迭代的Softmax层前一层的梯度向量;依次计算每个样本K次迭代的梯度向量的模,均值和方差;将所得均值和方差进行加权相加,并用以度量对应样本的相对学习难度;使用局部异常因子(LoFk)对各样本的梯度向量的模的均值和方差组成的数组进行分析,视局部异常因子数值大于1的样本为异常点。针对异常点,构建一个logistic回归模型。利用上述构建的logistic回归模型,找到使异常点的局部异常因子最大的加权参数。

    一种用于数值型数据的智能异常检测方法及装置

    公开(公告)号:CN112328424B

    公开(公告)日:2022-05-06

    申请号:CN202011396662.7

    申请日:2020-12-03

    Abstract: 本发明公开了一种用于数值型数据的智能异常检测方法及装置,该方法包括:上传数据阶段,实现数据上传;数据池阶段,实现数据存储与数据比对;算法池阶段,实现系统智能推荐多种适合当前数据的异常检测算法;算法结果集成阶段,实现汇总各算法的计算结果并得出最终计算结果;异常点判定阶段,实现自主选择异常点判定方法并做出判定;检测结果可视化阶段,实现可视化直观展示数据尤其是异常点。本发明创新地提出了智能辅助算法推荐、算法结果集成和异常点智能判定并将其运用到系统中,极大地简化了用户操作,帮助用户在较少的时间内得到更加准确且易于观察的异常检测结果。

Patent Agency Ranking