公开(公告)号：CN106897109A

公开(公告)日：2017-06-27

申请号：CN201710075720.8

申请日：2017-02-13

申请人： 云南大学

发明人： 王娟 ,  张彬彬 ,  岳昆 ,  郝佳 ,  武浩

IPC分类号： G06F9/455

摘要： 本发明公开了一种基于随机森林回归的虚拟机性能预测方法，根据待预测的虚拟化环境的资源特点，从底层硬件特征、虚拟机软件特征、虚拟机资源配置特征、虚拟机运行时环境特征四个方面提取可能影响虚拟机性能的特征，配置不同虚拟机性能特征组合的虚拟机，通过运行基准测试程序来获取所需的性能指标值，获得数据样本集；根据数据样本集构建随机森林回归模型，采用随机森林回归模型对特定虚拟机性能特征配置的虚拟机进行性能预测。本发明采用随机森林回归模型来描述虚拟机性能特征与性能指标间的关系，从而有效预测特定配置下的虚拟机性能。

公开(公告)号：CN115718843A

公开(公告)日：2023-02-28

申请号：CN202211525638.8

申请日：2022-11-30

申请人： 云南大学

发明人： 方月婷 ,  汤乾 ,  曾俊 ,  武浩 ,  张骥先

IPC分类号： G06F16/9535 ,  G06F18/25 ,  G06Q10/04

摘要： 本发明公开一种推荐系统及方法，涉及推荐系统领域。输入层基于输入数据生成初始嵌入向量；第一图游走模型根据初始嵌入向量进行邻域聚合得到第一最终嵌入向量并生成第一预测结果；第二图游走模型根据初始嵌入向量进行邻域聚合得到第二最终嵌入向量并生成第二预测结果；第一图游走模型的衰减因子为d＝λ使第一预测结果侧重于向用户推荐多样的项目，第二图游走模型的衰减因子为d＝1‑λ使第二预测结果侧重向用户推荐准确的项目。门控平衡层用于将第一预测结果和第二预测结果进行融合，得到综合预测结果。本发明在保证推荐结果准确性的同时，提高了推荐结果的多样性。

公开(公告)号：CN105786957B

公开(公告)日：2019-07-09

申请号：CN201610012047.9

申请日：2016-01-08

申请人： 云南大学

发明人： 聂仁灿 ,  何敏 ,  徐涛 ,  余江 ,  周冬明 ,  武浩 ,  赵苡积 ,  金鑫 ,  赵金榜 ,  余介夫

IPC分类号： G06F16/51

摘要： 本发明公开了一种对手机扫描或拍照表格文件中的单元格进行排序的算法，以便用于对指定单元格内容的提取，因此，在处理之前需要对每个单元格的位置进行统一规则的排序。首先，对表格图像的二值轮廓图信息进行处理，该轮廓即是表格图像中所有单元格的边缘信息；然后，根据每个单元格的轮廓信息判断出四个角点的位置，并根据每个单元格的轮廓建立表格图像中各个单元格的邻接关系图；最后，通过对该连通图进行深度优先遍历实现对单元格的排序。本发明提供了一种有效的排序方法，可以很好地解决因扫描或拍照发生扭曲的表格图像中单元格的排序问题。

公开(公告)号：CN109657725A

公开(公告)日：2019-04-19

申请号：CN201811579670.8

申请日：2018-12-24

申请人： 云南大学

发明人： 武浩 ,  周奇敏 ,  岳昆 ,  张彬彬 ,  何敏 ,  余江

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06F9/54

CPC分类号： G06K9/6256 ,  G06F9/547 ,  G06F2209/541 ,  G06N3/0454 ,  G06N3/084

摘要： 本发明公开了一种基于复杂时空情境感知的服务质量预测方法及系统，解决了现有技术存在的复杂时空条件下服务质量预测精度低的问题。首先构建至少包含输入层和输出层的多层网络结构的深度神经网络；其次确定输入样本和输出样本；该输入样本为从服务调用历史数据中提取的特征所组成的集合；该输出样本为每条数据记录的服务质量数值；该集合包括用户和服务的id、用户和服务的ip地址、用户和服务的所在地(如城市)、用户和服务的自治域及服务调用的时间；再者根据输入样本和输出样本训练深度神经网络，得到服务质量预测模型；最后将获取的目标用户特征、目标服务特征、目标服务调用时间输入到服务质量预测模型中，预测目标服务质量。

公开(公告)号：CN105205184A

公开(公告)日：2015-12-30

申请号：CN201510719818.3

申请日：2015-10-30

申请人： 云南大学

发明人： 高艳 ,  岳昆 ,  尹子都 ,  武浩 ,  高仁尚 ,  刘惟一

IPC分类号： G06F17/30

CPC分类号： G06F16/903

摘要： 本发明公开了一种基于隐变量模型的用户偏好提取方法，首先选取N个商品相关属性构成商品属性集合，根据历史数据构建得到贝叶斯网络，对贝叶斯网络搜索得到最大半团，然后向该最大半团中插入表示用户偏好的隐变量L得到隐变量模型，L＝1表示用户喜好，L＝0表示用户不喜好；对隐变量模型进行参数学习，得到隐变量模型中各个节点的条件概率表；然后根据隐变量L的条件概率表，进行用户偏好提取：查找得到L＝1时，条件概率最大值对应的属性组合项，该项对应用户最喜好的商品类型；查找得到L＝0时，条件概率最大值对应的属性组合项，该项对应用户最不喜好的商品类型。本发明针对商品评价数据中隐含的用户偏好，通过贝叶斯网络结构来提取更客观、更符合实际的用户偏好结果。