-
公开(公告)号：CN116501954A
公开(公告)日：2023-07-28
申请号：CN202310286423.3
申请日：2023-03-22
Applicant: 重庆大学
IPC: G06F16/9535 , G06N3/0464 , G06N3/042 , G06N3/08
Abstract: 本发明公开基于注意力机制的用户真实兴趣感知图增强推荐系统及介质，系统包括基于真实兴趣感知的图增强模块、图对比学习模块、和个性化推荐模块；介质存储有计算机程序。本发明对用户真实兴趣的提取，通过图对比学习和用户的社交关系增强用户的表示，进而提升推荐算法的准确度。
-
公开(公告)号：CN116112483A
公开(公告)日：2023-05-12
申请号：CN202310134997.9
申请日：2023-02-17
Applicant: 重庆大学
Abstract: 本发明涉及ROS2通信技术领域，尤其涉及一种多维优化ROS2智能通信方法，包括以下步骤：S1、根据数据通信请求，确定数据发送节点以及各数据接收节点，并将数据发送节点作为发送平台将各数据接收节点作为目标通信节点；S2、按照预设的路径规划算法求解数据通信的最佳路径；S3、通过发送平台对待发送的数据进行标记、序列化以及预设的数据处理，得到通信文件；所述预设的数据处理包括加密或压缩；S4、通过ROS2系统，按照S2求解的最佳路径将通信文件发送给通信请求对应的各接收节点；S5、通过目标通信节点接接收到通信文件后，对通信文件中的数据进行解密或解压，并进行反序列化，得到对应的数据信息。本发明可以提高ROS2系统进行数据通信时的效率和安全性。
-
公开(公告)号：CN111274403B
公开(公告)日：2023-04-25
申请号：CN202010083486.5
申请日：2020-02-09
Applicant: 重庆大学
IPC: G06F16/35 , G06F40/247 , G06F40/30 , G06F40/205 , G06Q50/00
Abstract: 本发明公开了一种网络欺凌检测方法，包括如下步骤：1)根据社交网络G(U,R)表示用户Up的社交信息；2)准确表示Wh中的每一个单词，特别是稀疏词汇；3)融合步骤1)和步骤2)中得到的社交信息表示和文本信息表示，并且基于此赋予Sh正确的文本标签；其中，将社交网络表示为G(U,R)，节点集合U表示用户集合，边集合R表示用户之间的关注关系集合，将G中所有用户发布的未标记短文本的集合表示为S，令表示标签类别集合，其中k为标签类别个数，S中的每一条文本都能且仅能赋予一个类别标签，令表示用户Up发布的文本Sh∈S中的单词集合，其中l为短文本Sh的长度，S中的每一条短文本都仅属于一名用户。本发明方法具有更好的检测性能，可以有效提高欺凌文本检测精度。
-
公开(公告)号：CN115550944A
公开(公告)日：2022-12-30
申请号：CN202210992657.5
申请日：2022-08-18
Applicant: 重庆大学
Abstract: 本发明公开一种车联网中基于边缘计算和深度强化学习的动态服务放置方法，包括以下步骤：1)建立网络与服务请求模型，获取网络与服务请求相关信息；2)建立网络与服务请求计算模型；3)构建状态空间、动作空间、策略函数和奖励函数；4)构建演员网络和批评家网络，并对演员网络和批评家网络进行训练；5)演员网络生成服务放置策略，并输入到批评家网络中；6)所述批评家网络评估服务放置策略的策略质量，若评估不通过，则更新演员网络参数，并返回步骤5)，若评估通过，则输出服务放置策略。本发明在考虑车辆的移动性、变化的需求和对不同类型服务请求的动态性的同时，最小化最大的边缘资源使用和服务延迟。
-
公开(公告)号：CN115484314A
公开(公告)日：2022-12-16
申请号：CN202210956961.4
申请日：2022-08-10
Applicant: 重庆大学
IPC: H04L67/568 , H04L67/1097 , H04L67/10 , H04L67/12 , H04W28/14
Abstract: 本发明公开一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，步骤包括：1)建立可推荐边缘缓存系统；2)获取当前待分析基站中所有服务用户、边缘服务器中的信息数据；3)初始化可推荐边缘缓存系统参数；4)确定t时刻的内容推荐策略5)计算t时刻的内容推荐策略的资源分配代价；6)建立基于强化学习的内容替换模型，并利用基于强化学习的内容替换模型更新边缘服务器的缓存内容；7)返回步骤2)，重复迭代，直至时刻t＝T，输出可推荐边缘缓存系统中的最优缓存内容T为运行周期。本发明解决了边缘服务端缓存内容利用率低，传输时间过长用户体验感不好等情况。减低了系统成本，提高了用户的服务质量。
-
Patent Agency Ranking
公开(公告)号：CN115374251A
公开(公告)日：2022-11-22
申请号：CN202211087538.1
申请日：2022-09-07
Applicant: 重庆大学
IPC: G06F16/33 , G06F40/211 , G06N3/08
Abstract: 本发明涉及一种基于句法对比学习的稠密检索方法，包括如下步骤：选用公开文档检索数据集，数据集包括查询Query和正段落Passage+，将一一对应的一组Query和Passage+作为一个训练样本；从数据集中选取部分样本作为训练集C；构建稠密检索模型SynC，SynC包括一个双编码器模型和两个预训练模型，两个预训练模型分别为EncoderQ和EncoderP；所述双编码器模型包括编码器DualEncoderQ和编码器DualEncoderP；遍历所有样本，计算得到训练集C中每个训练样本对应的Eq、cq和cp；最后计算SynC的总损失，对SynC进行训练，利用总损失函数反向更新SynC参数，当训练达到最大迭代次数时停止训练，得到训练好的SynC。使用本发明SynC模型对未知查询进行稠密检索，可以提高稠密检索结果的准确性与训练效率。
-
公开(公告)号：CN115081446A
公开(公告)日：2022-09-20
申请号：CN202210806846.9
申请日：2022-07-08
Applicant: 重庆大学
IPC: G06F40/289 , G06F40/30 , G06F40/247 , G06K9/62 , G06F16/35
Abstract: 本发明涉及一种基于动态多掩码和增强对抗的文本匹配方法，包括如下步骤：选取公开数据集；采用现有模型BERT作为基线模型构建DAINet模型，DAINet模型包括W个掩码增强对抗模块和一个集成输出模块IO，每个掩码增强对抗模块包括一个动态多掩码模组和一个增强对抗模组；所述IO通过对W个掩码增强对抗模块的输出进行加权求和得到DAINet模型的输出。使用本发明模型可以提高中文文本匹配任务的匹配精度和运行稳定性。
-
公开(公告)号：CN114880452A
公开(公告)日：2022-08-09
申请号：CN202210578261.6
申请日：2022-05-25
Applicant: 重庆大学
IPC: G06F16/332 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多视角对比学习的文本检索方法，该方法包括MvCR整体框架，其中Inner‑type对比学习模块中，通过参数共享机制为双编码器生成查询和文档的增强视图，并使用批量负样本以无监督的方式提高双编码器的表示能力；Cross‑type对比学习模块中，利用Inner‑type对比学习模块生成的增强视图的表示，并使用通过监督学习方法训练的异构数据增强技术采样的“硬负样本”，显着降低了影响由假阴性和未标记的阳性样本引起的噪声。另外该方还加入异构数据增强方法，可以生成多样化和代表性的训练示例。实验表明本方法在两个流行的稠密文本检索基准上实现很高的性能。
-
公开(公告)号：CN114781545A
公开(公告)日：2022-07-22
申请号：CN202210511356.6
申请日：2022-05-10
Applicant: 重庆大学
Abstract: 本发明提供了一种联邦学习方法及系统。包括：S1，将初始全局模型发送给所有客户端，客户端上传初始本地模型至中央服务系统；S2，根据客户端上传的初始本地模型对客户端进行聚类获得一个以上客户端类；S3，对全局模型进行多轮迭代训练直到达到迭代停止条件，第t轮迭代训练：从每个客户端类中选取至少一个客户端参与训练；基于客户端返回的第t轮本地模型和第t轮损失函数值判断参与第t轮迭代训练的客户端之间是否存在梯度冲突，并根据梯度冲突情况获取累积模型差异；利用累积模型差异更新第t轮全局模型。将模型不公平性原因分为外部矛盾和内部矛盾两类进行消除，提高选取客户端的代表性和公平性，减少训练轮次和通信成本，加快收敛。
-
公开(公告)号：CN113033100A
公开(公告)日：2021-06-25
申请号：CN202110330102.X
申请日：2021-03-29
Applicant: 重庆大学
Abstract: 本发明涉及一种基于混合教学优化算法的云制造服务组合方法。包括如下步骤：从公开数据集中选择服务s并初始化得到初始种群P；计算初始种群P中每个个体的QoS值并选出最优值F(Pbest)和最优个体最优个体Pteacher；按比例分为种群A和种群B，并分别从群A和种群B中计算遴选出新个体组成子代个体；计算新个体的适应度值，选出最大适应度QoS’值与最优值F(Pbest)进行比较，来更新服务组合方案；重复上述步骤，当达到预设最大迭代次数时停止，输出最优值F(Pbest)，此时该最优值F(Pbest)对应的个体为最优服务组合。实验表明，该方法对于提高大规模环境下的服务组合的解质量是非常有效的。
-
-
-
-
-
-
-
-
-
Search Results
115
records
(took 0.024 seconds)
