-
公开(公告)号：CN109670914B
公开(公告)日：2020-11-17
申请号：CN201811544768.X
申请日：2018-12-17
申请人： 华中科技大学 , 武汉烽火技术服务有限公司
摘要： 本发明公开了一种基于时间动态特性的产品推荐方法，包括：收集目标时间段内用户的购买记录、评论记录及产品描述信息，将目标时间段划分为时间片序列，并生成用户对产品的评分矩阵；获得各产品的属性相对水平，用于表示产品各属性在产品所属时间片内的档次；根据所收集的信息以及产品的属性相对水平，获得任意两个用户的用户相似度，以及任意两个产品在同一用户关注度下的产品相似度；根据用户相似度和产品相似度预测用户对产品的评分，并根据预测结果确定优化函数；对评分矩阵进行分解，并根据优化函数对矩阵分解结果进行调整，以使得优化函数取值最小，从而生成各用户的推荐列表，完成对用户的产品推荐。本发明能够有效提高产品推荐的准确度。
-
公开(公告)号：CN106293007B
公开(公告)日：2018-08-21
申请号：CN201610670330.0
申请日：2016-08-16
申请人： 华中科技大学
IPC分类号： G06F1/32
摘要： 本发明公开了一种支持非抢占实时任务集节能调度方法，其步骤包括：初始任务集合处理，获取初始减速因子，获取候选减速因子，分配减速因子；本发明所公开的非抢占实时任务集节能调度方法，在保证非抢占实时任务在截止期之前完成的前提下，充分考虑了任务集的非抢占特性，得到更小的减速因子，从而使得任务集能以更低的速度运行，达到更好的节能效果,可有效节约嵌入式系统能耗，并具有更强的非抢占任务集实时节能调度能力；与现有的实时系统节能调度方法相比，本发明所提出的方法通过精确分析来自高优先级任务的计算负荷，为每个任务分配一个更低的减速因子，能够显著降低系统能耗。
-
公开(公告)号：CN106293009A
公开(公告)日：2017-01-04
申请号：CN201610675752.7
申请日：2016-08-16
申请人： 华中科技大学
CPC分类号： Y02D10/24 , G06F1/329 , G06F9/4893
摘要： 本发明公开了一种基于区域划分的嵌入式节能调度方法，包括如下步骤：采用任务实例修订方法对待调度的任务集进行修订；根据任务运行周期及任务集的利用率，为每个任务设置执行阈值；根据执行阈值进行任务调度：当任务的周期区间与垛区间的重叠区域的长度大于任务的执行阈值，则调度该任务使之在当前的垛区间中完成；否则，将该任务调度到下一个垛区间中执行；本发明提供的这种调调方法，将系统中小的空闲时间片段合并，以增加空闲时间片段的平均长度，进而获得足够长的空闲时间用于完成嵌入式处理器的休眠状态转换，从而有效降低处理器的工作负载以达到节能目的。
-
公开(公告)号：CN104954381A
公开(公告)日：2015-09-30
申请号：CN201510351785.1
申请日：2015-06-24
IPC分类号： H04L29/06
摘要： 本发明公开了一种广播环境下，针对周期、连续性实时任务查询的数据调度方法。本发明所公开的广播调度方法是首个非固定优先级广播调度方法，其在保证广播查询任务可持续完成的前提下，充分考虑了广播带宽高效利用的基本要求。本发明所提出方法的主要步骤包括：数据项分类与初始任务集合生成处理，通用任务调度处理，私有任务调度处理和总体调度处理，其中，通用任务和私有任务的定义将在发明中具体给出。使用本发明所提出方法的广播服务器可以更有效的利用广播带宽，及时、有效地为更多的查询任务同步提供服务。与现有的广播调度方法相比，本发明所提出的调度方法同时考虑了广播数据的共享性，任务的实时性，服务的持续性以及带宽利用的高效性。
-
公开(公告)号：CN111104595A
公开(公告)日：2020-05-05
申请号：CN201911297092.3
申请日：2019-12-16
申请人： 华中科技大学
IPC分类号： G06F16/9535 , G06F16/35 , G06F16/31 , G06Q30/02 , G06Q30/06
摘要： 本发明公开了一种基于文本信息的深度强化学习交互式推荐方法及系统，属于交互式个性化推荐领域，包括：基于文本信息将商品和用户分别转换为商品向量和用户向量，并对用户进行聚类；基于DDPG为每个用户类别建立推荐模型，并建立全局的环境模拟器；对于任意一个推荐模型，在第t轮交互中，构建动作候选集Can(ui,t)；策略网络以当前用户的状态st为输入，得到策略向量pt后，根据pt从Can(ui,t)中选出动作向量at；估值网络以pt和st为输入，计算Q值，用于评价pt的优劣；每一轮交互中，环境模拟器计算反馈奖励值，并更新当前用户的状态；反馈奖励值输出至估值网络，矫正估值网络，Q值反向传导至策略网络，调整策略网络，以获得更优的策略向量。本发明能够提高推荐效率和推荐准确度。
-
公开(公告)号：CN109903138A
公开(公告)日：2019-06-18
申请号：CN201910151051.7
申请日：2019-02-28
申请人： 华中科技大学 , 福建省华智人工智能创新研究中心 , 武汉烽火技术服务有限公司
摘要： 本发明涉及一种个性化商品推荐方法，包括：接收用户的商品搜索指令；若用户已被分类，计算用户偏好的多维平均标签信息，用户的推荐模型基于多维平均标签信息计算第一多维属性信息，计算第一多维属性信息与商品类别中每个商品的第二多维属性信息的距离，将距离较小的商品推给用户；否则，基于多个商品的第二多维属性信息，计算第一多维平均属性信息，基于第一多维平均属性信息及各类用户的推荐模型，确定适用于该用户的推荐模型。本发明提供的推荐方法，首先对用户聚类，且利用多维的商品标签信息和商品属性信息，使得推荐准确率高；另外，当用户为新用户时，通过注意力迁移学习，利用已有推荐模型形成新用户的推荐模型，以解决冷启动问题。
-
公开(公告)号：CN104954381B
公开(公告)日：2016-04-20
申请号：CN201510351785.1
申请日：2015-06-24
IPC分类号： H04L29/06
摘要： 本发明公开了一种广播环境下，针对周期、连续性实时任务查询的数据调度方法。本发明所公开的广播调度方法是首个非固定优先级广播调度方法，其在保证广播查询任务可持续完成的前提下，充分考虑了广播带宽高效利用的基本要求。本发明所提出方法的主要步骤包括：数据项分类与初始任务集合生成处理，通用任务调度处理，私有任务调度处理和总体调度处理，其中，通用任务和私有任务的定义将在发明中具体给出。使用本发明所提出方法的广播服务器可以更有效的利用广播带宽，及时、有效地为更多的查询任务同步提供服务。与现有的广播调度方法相比，本发明所提出的调度方法同时考虑了广播数据的共享性，任务的实时性，服务的持续性以及带宽利用的高效性。
-
公开(公告)号：CN109271422B
公开(公告)日：2021-10-08
申请号：CN201811105652.6
申请日：2018-09-20
申请人： 华中科技大学
IPC分类号： G06F16/2458 , G06Q50/00
摘要： 本发明公开了一种由不实信息驱动的社交网络主题专家查找方法，包括：利用社交网络数据集，构建候选用户文档，利用候选用户文档和待查询不实信息，构建概率图模型；利用候选用户文档和待查询不实信息训练概率图模型，当概率图模型的参数收敛后，得到维度相同的候选用户向量和待查询不实信息向量；通过计算候选用户向量和待查询不实信息向量的余弦距离，得到候选用户和待查询不实信息的相似度，利用相似度得到查询结果。本发明很好的应对社交网络情形，应对包含多个主题的不实信息，考虑了社交网络中用户之间存在的联系。
-
公开(公告)号：CN109903138B
公开(公告)日：2021-05-18
申请号：CN201910151051.7
申请日：2019-02-28
申请人： 华中科技大学 , 福建省华智人工智能创新研究中心 , 武汉烽火技术服务有限公司
摘要： 本发明涉及一种个性化商品推荐方法，包括：接收用户的商品搜索指令；若用户已被分类，计算用户偏好的多维平均标签信息，用户的推荐模型基于多维平均标签信息计算第一多维属性信息，计算第一多维属性信息与商品类别中每个商品的第二多维属性信息的距离，将距离较小的商品推给用户；否则，基于多个商品的第二多维属性信息，计算第一多维平均属性信息，基于第一多维平均属性信息及各类用户的推荐模型，确定适用于该用户的推荐模型。本发明提供的推荐方法，首先对用户聚类，且利用多维的商品标签信息和商品属性信息，使得推荐准确率高；另外，当用户为新用户时，通过注意力迁移学习，利用已有推荐模型形成新用户的推荐模型，以解决冷启动问题。
-
公开(公告)号：CN106125901A
公开(公告)日：2016-11-16
申请号：CN201610671290.1
申请日：2016-08-16
申请人： 华中科技大学
摘要： 本发明公开了一种基于区间划分的动态节能实时调度方法，包括：初始任务集合处理，划分调度区间和任务分类、强制任务实例处理、可选任务实例处理和总体调度；本发明中的调度区间的划分方法，控制部分任务立即执行，将另外的任务推迟执行，进一步结合DPM技术进行节能调度，在保证整个系统可调度性的前提下，使得系统中连续的空闲时间段尽量大；与现有的实时系统节能调度方法相比，本发明所提出的方法能够将任务实例控制在区间的两端执行，把区间中间的空闲时间片段集中，从而为嵌入式设备的访问提供更大的休眠空闲时间，能够显著降低嵌入式系统能耗。
-
-
-
-
-
-
-
-
-
搜索结果
22 条记录 (耗时 0.044 秒)
