-
公开(公告)号：CN118968595A
公开(公告)日：2024-11-15
申请号：CN202411101388.4
申请日：2024-08-12
Applicant: 西安交通大学
IPC: G06V40/16 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0495 , G06N3/0464 , G06N3/045 , G06N3/096 , G06N3/082
Abstract: 本发明属于表情识别领域，公开了一种在线学习者轻量化表情识别方法及相关装置，包括：获取在线学习者的待识别表情图像；将所述待识别表情图像输入至预训练的轻量化表情识别模型，得到在线学习者的表情识别结果。基于预训练的轻量化表情识别模型实现在线学习者的精确表情识别，通过使用多层知识蒸馏方法压缩预训练的遮挡表情识别模型，然后结合深度可分离卷积进一步减少模型计算量，最后使用模型量化方法提高模型运行速度，进而得到更加轻量化的遮挡表情识别模型。遮挡表情识别模型则采用特征提取模块、注意力分支融合模块和输出层模块构建，通过融合若干空间注意力分支模块、通道随机遮掩模块、特征金字塔网络模块和融合模块，可进一步提升模型在遮挡情况下的识别准确性。
-
公开(公告)号：CN118503541A
公开(公告)日：2024-08-16
申请号：CN202410682204.1
申请日：2024-05-29
Applicant: 西安交通大学
IPC: G06F16/9535 , G06F16/9537 , G06N3/0464 , G06N3/0499 , G06N3/0455 , G06N3/047 , G06N3/08
Abstract: 本发明属于人工智能领域，公开了一种基于用户多兴趣建模的对话推荐方法及相关装置，根据用户的上一轮次对话反馈，得到对话状态更新和对话历史状态更新；根据对话状态更新建模符号对话动态图并进行嵌入操作后进行图表征学习得到用户图表征向量，然后结合对话状态更新和预设的多兴趣构建器，得到用户的兴趣状态表征向量；根据用户图表征向量和对话历史状态更新构建决策空间；根据对话历史状态更新建模用户的对话状态表征向量；根据决策空间以及用户的兴趣状态表征向量和对话状态表征向量，调用预训练的分层策略网络，得到当前轮次的对话推荐。基于用户多属性偏好建模进行用户兴趣状态表征，使用多智能体强化学习技术，提高了推荐准确率和质量。
-
公开(公告)号：CN116541600A
公开(公告)日：2023-08-04
申请号：CN202310525175.3
申请日：2023-05-11
Applicant: 西安交通大学
IPC: G06F16/9535 , G06F16/9537 , G06Q50/20
Abstract: 本发明公开了一种融合时空多粒度兴趣的学习资源推荐方法及相关装置，属于学习资源推荐领域。本发明包括以下步骤：1)知识概念空间多粒度兴趣建模；2)时间维度多粒度兴趣建模；3)多粒度兴趣自适应融合的学习资源推荐。本发明提供的学习资源推荐能够从知识概念空间提取学习者在知识点、学习资源、课程等不同粒度的兴趣偏好，从时间维度提取学习者近期课程内、近期跨课程和全局不同粒度的兴趣偏好，实现更精准的学习者兴趣偏好建模。本发明在自适应地融合学习者知识概念空间的单点多粒度兴趣和时间维度的动态多粒度兴趣基础上，为学习者个性化推荐符合其兴趣偏好的学习资源。
-
公开(公告)号：CN115249072A
公开(公告)日：2022-10-28
申请号：CN202210528946.X
申请日：2022-05-16
Applicant: 西安交通大学
IPC: G06N20/00
Abstract: 本发明公开了一种基于生成对抗用户模型的强化学习路径规划方法，属于学习资源路径规划领域。一种基于生成对抗用户模型的强化学习路径规划方法，包括以下步骤：1)大数据驱动的用户群与训练数据集划分；2)基于分层奖励函数强化学习的路径规划模型Planerui离线训练；3)基于级联DQN算法完成路径规划。本发明提供的学习资源路径能够在完成至目标知识点的学习目标的同时，应对用户每一步学习中兴趣的变化。本发明能够为用户自适应地推荐路径上的学习资源，该路径规划方法考虑了用户学习过程中对学习资源的反馈以及学习资源本身的知识结构关系，实现学习资源路径规划。
-
公开(公告)号：CN114266380A
公开(公告)日：2022-04-01
申请号：CN202111408575.3
申请日：2021-11-24
Applicant: 西安交通大学
Abstract: 本发明公开了基于行为特征的大学生成绩预测方法、装置、设备及存储介质，属于成绩预测领域。与现有算法相比，本发明采用的数据表示方法和行为特征提取方法能够提取更有效的行为特征。具体表现为，在第一学期成绩预测场景下，本发明提出的算法相比于现有算法在预测精度上有较大优势，其中不及格预测任务中，本发明的F1‑measure为0.5051，经典的机器学习算法中精度最高的GBDT算法取得的F1‑measure为0.4849，综合成绩预测任务中，本发明取得的R2为0.2734，经典机器学习算法中精度最高的随机森林算法取得的R2为0.2532。
-
Patent Agency Ranking
公开(公告)号：CN113204649A
公开(公告)日：2021-08-03
申请号：CN202110513432.2
申请日：2021-05-11
Applicant: 西安交通大学
IPC: G06F16/36 , G06F40/211 , G06F40/295 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于实体关系联合抽取的法律知识图谱构建方法及设备，构建方法包括：三元组数据集的构建；模型架构的设计和模型的训练；模型架构包括模型编码层、头实体抽取层以及关系‑尾实体抽取层；文本句间关系判断；以及三元组复合与图谱可视化；本发明模型架构的设计采用了中文bert预训练模型作为编码器，对中文的文本编码效果好。实体抽取部分采用两个BiLSTM二分类器来判别实体的起始位置和结束位置，可以有效地抽取出文本中短语形式的实体。本发明先抽取头实体，再由抽取到的头实体抽取对应实体关系的尾实体，抽取实体关系和尾实体时不仅用到了句子的编码信息，还融入了头实体的编码信息。本发明能够得到准确率较高的法律知识图谱。
-
公开(公告)号：CN108628967A
公开(公告)日：2018-10-09
申请号：CN201810369026.1
申请日：2018-04-23
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于学习生成网络相似度的网络学习群组划分方法，包括以下步骤：1)建立用户知识点关联网络，再计算用户学习序列中第i+1个知识点与前i个知识点的时序相关度；2)构建用户学习生成网络；3)获取学习生成网络 及之间的内容相似度 4)计算用户学习生成网络 与 之间的结构相似度5)使用内容相似度与结构相似度 加权求和的结果作为用户学习生成网络的总体相似性，再将用户学习生成网络的总体相似性采用基于相似度的CURE层次聚类算法对用户学习生成网络进行聚类，实现基于学习生成网络相似度的网络学习群组划分，该划分方法考虑用户学习过程及认知特征实现网络学习群组划分。
-
公开(公告)号：CN106095663B
公开(公告)日：2017-06-27
申请号：CN201610368555.0
申请日：2016-05-26
Applicant: 西安交通大学
IPC: G06F11/36
CPC classification number: G06F11/36
Abstract: 本发明提出一种基于切片模型的程序回归错误定位方法，在程序预处理阶段，通过对比两个版本程序源码，识别不同部分，根据识别结果对源码进行重排；在轨迹对应阶段，根据获取到的两个版本程序的执行轨迹、语句间的依赖关系和变量值信息，对两条执行轨迹上的语句进行对应、分类；在切片分析阶段，从新版本程序执行失败点为起点开始进行切片分析；根据语句实体分类及其依赖关系，回溯导致程序执行失败的语句实体，直至待分析的依赖语句为空，且被分析的当前语句不需要继续分析其依赖关系；最后，将切片分析的阶段所有被分析的语句实体作为导致回归错误的程序行为切片输出。本方法阐明了回归错误的产生机理，对回归错误的修复具有指导作用。
-
公开(公告)号：CN103226580B
公开(公告)日：2016-03-30
申请号：CN201310114098.9
申请日：2013-04-02
Applicant: 西安交通大学
IPC: G06F17/30
Abstract: 本发明公开了一种面向交互文本的话题识别方法，按照三个大步骤实施：I、词语语义相关度计算阶段，采用了一种基于知识词典和主题模型相结合的词语相关度计算方法；II、句子相关度计算阶段，分别计算句子在关键词特征、词语语义特征、依存句法特征三个层面的相关度，将三个特征融合后计算句子间相关度；III、交互文本话题识别阶段，采用一种基于句子相关度计算的话题识别方法，识别出交互文本中不同话轮是否属于同一话题。
-
公开(公告)号：CN113642804B
公开(公告)日：2024-07-19
申请号：CN202110997313.9
申请日：2021-08-27
Applicant: 西安交通大学
IPC: G06Q10/04 , G06Q50/26 , G06F18/2415 , G06N3/0442 , G06N3/09 , G06F16/9535
Abstract: 本发明公开了一种多组件增强的本科生毕业去向预测与推荐多任务方法及系统，包括：将毕业意图形成组件、共性模式记忆组件及互惠性约束组件添加到基础毕业去向预测与推荐多任务模型中，得毕业去向预测与推荐多任务模型；基于相似度随机负采样策略获取可信负样本；利用可信负样本对毕业去向预测与推荐多任务模型进行训练；利用训练后的毕业去向预测与推荐多任务模型预测本科生毕业去向，该方法及系统能够更好预测毕业生去向，实现对就业单位的推荐。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.033 seconds)
