-
公开(公告)号：CN119168060A
公开(公告)日：2024-12-20
申请号：CN202411196030.4
申请日：2024-08-28
Applicant: 电子科技大学
IPC: G06N5/04 , G06N5/022 , G06N3/0455 , G06F40/295
Abstract: 本发明公开了本发明涉及时序知识图谱推理技术领域，具体涉及一种基于扩散过程的时序知识图谱推理方法。属于知识图谱推理技术领域。主旨在于解决难以捕获罕见/未见未来事件中不确定性信息的问题，本发明所述方法首先采用序列表示学习模块，将与主体实体相关的对象、关系和时间间隔序列转换为统一的连续表示。通过策略性引入高斯噪声增强未来事件表示，以模拟未来事件的不确定性，并且考虑时序知识图谱结构的时变性，采用基于Transformer模型的条件去噪模块来重建事件中的潜在参与者。然后，通过策略性地引入高斯噪声来增强这一过程，模拟未来事件的不确定性。此外，本发明所述方法还引入了不确定性正则化损失，有利于区分历史事件和罕见/未知事件，从而提高模型的预测清晰度并减少过拟合的倾向。
-
公开(公告)号：CN111159588B
公开(公告)日：2022-12-13
申请号：CN201911314312.9
申请日：2019-12-19
IPC: G06F16/955 , G06N3/04
Abstract: 本发明公开了一种基于URL成像技术的恶意URL检测方法，包括以下步骤：采集URL字符串，并对其进行哈希处理；利用ASCII码对哈希处理后的URL字符串进行编码，对编码后的URL字符串进行归一化处理；根据归一化处理过后的URL字符串，采用格拉曼角场将URL字符串转换为二维图像；根据卷积神经网络构成inception CNN网络，并对其进行训练；将二维图像输入训练完成的inception CNN网络，得到恶意URL的判断结果。本发明通过将URL转换为二维图像，能够准确的识别恶意URL。
-
公开(公告)号：CN105162648B
公开(公告)日：2018-07-10
申请号：CN201510470499.7
申请日：2015-08-04
Applicant: 电子科技大学
Inventor： 刘瑶 , 刘峤 , 秦志光 , 其他发明人请求不公开姓名
IPC: H04L12/26
Abstract: 本发明公开了一种基于骨干网络扩展的社团检测方法，用于在大规模复杂网络中进行快速的社团发现。本发明主要包括：使用基于节点权重的改进型PageRank算法(WP)对输入的网络进行计算，选取WP值大于阈值的节点作为网络的骨干节点；遍历整体网络，抽取骨干节点和连接任意两个骨干节点的边从而构成骨干网络；在骨干网络中运行层次聚类算法得到骨干社团结构；采用扩展算法，将骨干社团扩展到全网，得到整体网络的社团结构。本发明将层次聚类算法的运行范围缩小到骨干网络，避免在全网进行聚类，具有较小的时间复杂度，适合于大规模复杂网络中的社团发现。另外本发明能够通过追踪骨干社团的变化快速捕获到整体社团的变化细节，适合于快速演变网络中的社团发现。
-
公开(公告)号：CN105469315A
公开(公告)日：2016-04-06
申请号：CN201510470808.0
申请日：2015-08-04
Applicant: 电子科技大学
Inventor： 刘瑶 , 刘峤 , 秦志光 , 其他发明人请求不公开姓名
IPC: G06Q50/00
Abstract: 本发明公开了一种基于增量聚类的动态社会网络社团演化方法，用于解决大规模网络中社团结构检测以及社团演化追踪的问题。该方法包括以下步骤：抽取整个网络的核心节点构成核心子图；在t＝0时刻的核心子图上运行层次聚类算法以到核心社团的初始结构，并在此基础上使用扩展算法得到整个网络的社团结构；在t>0时刻，根据相邻时刻网络的动态演化情况采用增量聚类算法得到当前时刻的核心社团结构并扩展它得到整体社团结构。通过引入核心子图，本方法避免了在整个网络中进行增量计算，加快了处理速度从而适用于大规模网络下的社团发现。另外通过引入社团结构偏移度的概念，本方法避免了长时间演变后社团结构出现较大偏差，提高了社团演化追踪的准确度。
-
公开(公告)号：CN105303109A
公开(公告)日：2016-02-03
申请号：CN201510608807.8
申请日：2015-09-22
Applicant: 电子科技大学
CPC classification number: G06F21/563 , G06F17/30887 , G06F21/566
Abstract: 本发明提供了一种恶意代码情报检测分析方法及系统。该方法包括客户端和服务器两部分，首先客户端自动检测用户要访问的网址，将网址发给服务器端；然后服务器端检测网站是否存在恶意代码，将检测结果发送给用户并及时发出提醒。本发明在服务器端检测时，使用基于抽象语法树匹配算法和低交互蜜罐仿真模拟技术，并在此基础上进行了改进和融合，兼顾了性能和准确率。本发明在客户端检测时不仅支持多种浏览器版本，而且检测完毕后提供多种输出格式。本发明优势在于相较传统手段在检测准确率上较大提升，性能可以充分满足用户需要，且与其他程序兼容性良好。另外，本发明为网站的恶意代码检测，提供了一种统一的解决方案，不仅可以检测电脑客户端还可以检测安卓手机客户端。
-
Patent Agency Ranking
公开(公告)号：CN105243593A
公开(公告)日：2016-01-13
申请号：CN201510469622.3
申请日：2015-08-04
Applicant: 电子科技大学
Inventor： 刘瑶 , 刘峤 , 秦志光 , 其他发明人请求不公开姓名
Abstract: 本发明公开了一种基于混合测度的加权社会网络社区聚类方法，用来挖掘大规模复杂网络中节点的聚类关系。该方法包括：引入一种新的节点亲密度定义，用于衡量有向加权网络中节点之间的关联强度；通过新定义的节点亲密度对有向/无向网络的边进行加权处理；提出一种基于节点亲密度和度的模块度新定义，并使用这个混合测度对有向/无向网络进行分层次的社区结构检测。与传统的社区结构检测方法相比，混合测度增加了社区划分时可参考的节点关系信息，提高了社区划分的质量，降低了超大社区的规模。同时，该方法为无向无权、有向无权、无向加权、有向加权网络的社区划分提供了一种统一的分析方法。
-
公开(公告)号：CN105138507A
公开(公告)日：2015-12-09
申请号：CN201510475450.0
申请日：2015-08-06
Applicant: 电子科技大学
Inventor： 刘峤 , 刘瑶 , 秦志光 , 其他发明人请求不公开姓名
IPC: G06F17/27
Abstract: 开放式中文实体关系抽取是指在不限定语料领域和关系类别的前提下，自动地从中文语料中抽取出实体间的关系信息，得到实体关系元组。本发明公开了一种基于模式自学习的中文开放式关系抽取方法，包括如下三个主要步骤：首先，基于已有知识库获取高质量的实体关系元组和相应的句子作为训练语料，通过本发明提出的模式学习方法得到实体和关系词之间的依存路径模式；然后，对待抽取文本进行分词、词性标注和依存分析等预处理，并借助之前学习得到的关系模式进行实体关系抽取；最后，采用机器学习的方法对从中文语料中自动抽取出的实体关系进行质量评估，得到高质量的实体关系元组。
-
公开(公告)号：CN119168044A
公开(公告)日：2024-12-20
申请号：CN202411194940.9
申请日：2024-08-28
Applicant: 电子科技大学
IPC: G06N5/025 , G06N5/02 , G06F16/35 , G06N3/0442 , G06N3/045 , G06N3/0499 , G06N3/0895
Abstract: 本发明涉及情感分析技术领域，提供了一种基于扩散模型的方面级情感三元组抽取方法。目的在于解决现有的生成式模型中自回归解码时只关注单个词的生成，限制了模型在处理多词方面/意见术语时利用整体语义的能力的问题，该方法基于非自回归的扩散模型框架，将方面级情感三元组任务定义为边界扩散去噪过程，通过直接建模边界索引，根据全面的上下文信息逐步细化以及动态调整噪声状态下的边界，还引入一种对比去噪训练策略，有效缓解了扩散过程引入的具有细微变化的重复预测，提升方面级情感三元组抽取性能。用于情感分析，特别是在处理社交媒体和在线评论平台上的用户情感表达时，能更细致地挖掘文本中的情感信息，为产品优化和企业决策提供参考。
-
公开(公告)号：CN119167925A
公开(公告)日：2024-12-20
申请号：CN202411198518.0
申请日：2024-08-29
Applicant: 电子科技大学
IPC: G06F40/279 , G06F40/216 , G06F40/30 , G06N5/04
Abstract: 本发明公开了一种基于多视角提示学习模板的自回归事件论元抽取方法，属于事件论元抽取技术领域。旨在解决现有事件论元抽取技术对单一模板的过度依赖以及模板内事件元素之间信息交互不足的问题。通过多视角提示学习模板学习事件要素间的相互依赖关系。模型使用共享词向量嵌入层的编码器‑解码器架构，输入文本首先经由编码器捕获语义信息，并传入解码器进行序列生成。在推理阶段，解码器结合约束解码策略，以引导模型生成不同事件提示模板格式的结构化事件要素序列，最后，通过集成策略对来自不同视角的输出结果进行投票，确保了事件论元抽取结果的鲁棒性，从而得出更准确的事件论元。此外，该方法也适用于低资源环境下的事件论元抽取领域。
-
公开(公告)号：CN119167322A
公开(公告)日：2024-12-20
申请号：CN202411198068.5
申请日：2024-08-29
Applicant: 电子科技大学
IPC: G06F18/27 , G06F18/20 , G06F18/214 , G06N3/0442
Abstract: 本发明公开了一种基于条件扩散模型的多模态轨迹预测方法，属于轨迹预测技术领域。本发明所述方法基于非自回归的条件扩散模型框架，将轨迹预测任务概念化为运动不确定性扩散的引导逆过程，通过逐步消除海洋区域的不确定性，明确模拟船舶运动从不确定性到确定性状态的转变；利用交互信息和物理信息的多模态混合作为生成条件来指导反向扩散过程的每个阶段，以捕获海上行为中固有的复杂性和不确定性，进而提升轨迹预测性能。此外，可通过调节马尔可夫链长度以实现生成轨迹样本多样性和确定性间的权衡。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.034 seconds)
