-
公开(公告)号：CN109034207A
公开(公告)日：2018-12-18
申请号：CN201810715472.3
申请日：2018-06-29
申请人： 华南理工大学 , 腾讯科技(深圳)有限公司
IPC分类号： G06K9/62
CPC分类号： G06K9/628 , G06K9/6293
摘要： 本申请涉及一种数据处理方法、装置和计算机设备。根据预设源域中源域数据的特征空间结构，将目标分类数据划分为同构部分及异构部分，所述同构部分为与所述源域数据在特征空间中结构相同的部分，所述异构部分为与所述源域数据在特征空间中结构不同的部分；对所述同构部分进行分类，得到基于所述预设源域的同构分类结果；对所述异构部分进行分类，得到基于所述预设源域的异构分类结果；根据基于所述预设源域的同构分类结果及异构分类结果，确定与所述预设源域对应的组合分类结果；根据所述组合分类结果，确定所述目标分类数据的目标分类结果。如此，可以提高数据分类的准确性。
-
公开(公告)号：CN109034207B
公开(公告)日：2021-01-05
申请号：CN201810715472.3
申请日：2018-06-29
申请人： 华南理工大学 , 腾讯科技(深圳)有限公司
IPC分类号： G06K9/62
摘要： 本申请涉及一种数据处理方法、装置和计算机设备。根据预设源域中源域数据的特征空间结构，将目标分类数据划分为同构部分及异构部分，所述同构部分为与所述源域数据在特征空间中结构相同的部分，所述异构部分为与所述源域数据在特征空间中结构不同的部分；对所述同构部分进行分类，得到基于所述预设源域的同构分类结果；对所述异构部分进行分类，得到基于所述预设源域的异构分类结果；根据基于所述预设源域的同构分类结果及异构分类结果，确定与所述预设源域对应的组合分类结果；根据所述组合分类结果，确定所述目标分类数据的目标分类结果。如此，可以提高数据分类的准确性。
-
公开(公告)号：CN110163229A
公开(公告)日：2019-08-23
申请号：CN201810380427.7
申请日：2018-04-25
申请人： 华南理工大学 , 腾讯科技(深圳)有限公司
IPC分类号： G06K9/62
摘要： 本申请涉及一种数据处理方法、装置、计算机设备和存储介质。数据分类方法包括：获取目标分类数据；对目标分类数据进行分类得到第一分类结果；并对与目标分类数据数据结构相异且相关联的异构数据进行分类，得到目标分类数据的第二分类结果；通过预设加权策略对第一分类结果与第二分类结果进行合并得到分类预测结果。由于该分类预测结果是第一分类结果与第二分类结果通过预设加权策略进行合并得到的结果，而对异构数据进行分类，得到的第二分类结果可以对第一分类结果进行补充，从而达到提高分类准确率的效果。
-
公开(公告)号：CN117216542A
公开(公告)日：2023-12-12
申请号：CN202310572666.3
申请日：2023-05-19
申请人： 腾讯科技(深圳)有限公司
IPC分类号： G06F18/214 , G06F18/22 , G06F18/2415 , G06F18/25 , G06F16/35 , G06N3/045 , G06N3/0464 , G06N3/08
摘要： 本申请公开了一种模型训练方法和相关装置，基于确定实际类别的目标对象，根据该目标对象的表格类内容确定训练样本，训练样本包括N维特征。通过初始分类模型的注意力子模型，生成包括N个子波特征的样本波特征。从波相似度的角度衡量各个维度特征间的关联性和重要程度，从而确定样本波特征中每个子波特征的注意力权重。在基于该注意力权重得到待预测波特征后，通过初始分类模型确定对应的预测类别，并根据预测类别和训练样本的实际类别间的差异，调整该注意力权重得到可用于对表格类内容进行类别识别的分类模型。通过波形式来表示各维度特征，使得初始分类模型无需为了确定注意力权重设置复杂模型参数，提升了模型训练效率。
-
公开(公告)号：CN114283385B
公开(公告)日：2024-09-24
申请号：CN202111636113.7
申请日：2021-12-29
申请人： 华南理工大学 , 深圳金三立视频科技股份有限公司
摘要： 本发明公开一种异物数据生成方法，获取输电线场景图像和预设异物图像；提取所述输电线场景图像中的输电线，得到输电线位置；从所述输电线位置中确定目标输电线位置，并将所述预设异物图像贴入所述目标输电线位置，得到初始异物数据；基于所述初始异物数据使用预设图像和谐化神经网络进行和谐化，得到最终的异物数据，可实现在各种不同背景上的异物数据生成，且不限数量，最后基于初始异物数据使用预设图像和谐化神经网络进行和谐化，能够使最终得到的异物数据中的异物和场景融合的更好，提高异物数据的真实效果，以此有效增加特定输电线场景中异物数据的数量，丰富训练样本，避免训练和测试场景不同而导致的迁移性能下降问题。
-
公开(公告)号：CN118378758B
公开(公告)日：2024-09-17
申请号：CN202410805919.1
申请日：2024-06-21
申请人： 华南理工大学
IPC分类号： G06Q10/04 , G06N3/042 , G06N3/0985 , G06Q10/0631
摘要： 本申请公开了一种基于元优化器的物资调度方法、装置、电子设备及介质，其通过将所述物资调度问题转化为基于所述连通图的二元组合优化问题，利用元优化器构建二元组合优化问题对应的若干个初始可行解，根据各初始可行解和二元组合优化问题，进行迭代优化，获得二元组合优化问题对应的最优解集，根据问题优化目标，确定最优解集中各最优解对应的优化目标期望值，从最优解集中确定全局最优解，利用全局最优解进行物资调度。本申请能够利用元优化器根据物资调度问题，进行多次迭代优化后得到全局最优解，实现了高效搜索物资调度问题的较优解，完成对物资调度问题的深度分析，有效提高物资调度的效率和质量。本申请可广泛应用于物资调度技术领域。
-
公开(公告)号：CN118378758A
公开(公告)日：2024-07-23
申请号：CN202410805919.1
申请日：2024-06-21
申请人： 华南理工大学
IPC分类号： G06Q10/04 , G06N3/042 , G06N3/0985 , G06Q10/0631
摘要： 本申请公开了一种基于元优化器的物资调度方法、装置、电子设备及介质，其通过将所述物资调度问题转化为基于所述连通图的二元组合优化问题，利用元优化器构建二元组合优化问题对应的若干个初始可行解，根据各初始可行解和二元组合优化问题，进行迭代优化，获得二元组合优化问题对应的最优解集，根据问题优化目标，确定最优解集中各最优解对应的优化目标期望值，从最优解集中确定全局最优解，利用全局最优解进行物资调度。本申请能够利用元优化器根据物资调度问题，进行多次迭代优化后得到全局最优解，实现了高效搜索物资调度问题的较优解，完成对物资调度问题的深度分析，有效提高物资调度的效率和质量。本申请可广泛应用于物资调度技术领域。
-
公开(公告)号：CN118012992B
公开(公告)日：2024-07-02
申请号：CN202410417863.2
申请日：2024-04-09
申请人： 华南理工大学
IPC分类号： G06F16/33 , G06F40/295 , G06N3/042 , G06N3/0464 , G06N3/08 , G06N5/02
摘要： 本发明公开了一种金融文本关系抽取方法、系统及存储介质，属于自然语言处理技术领域。方法包括：预处理金融文本数据，将文本拆解为句子级的输入序列，并加上实体标记；将输入序列的各词语转换为嵌入向量，并获取各词语的上下文序列信息，得到输入序列的表征；根据输入序列的表征提取词语之间的依存关系，得到句法增强表征；根据句法增强表征分别提取金融实体的类型信息和上下文信息；引入金融实体外部知识库，并提取金融实体的知识增强表征；预测实体之间的关系类别，作为金融文本关系抽取的结果。本发明通过基于依存句法树的注意力机制捕获文本的句法增强特征，并通过注意力机制和外部知识图卷积增强金融实体信息，提高金融文本的关系抽取性能。
-
公开(公告)号：CN118012992A
公开(公告)日：2024-05-10
申请号：CN202410417863.2
申请日：2024-04-09
申请人： 华南理工大学
IPC分类号： G06F16/33 , G06F40/295 , G06N3/042 , G06N3/0464 , G06N3/08 , G06N5/02
摘要： 本发明公开了一种金融文本关系抽取方法、系统及存储介质，属于自然语言处理技术领域。方法包括：预处理金融文本数据，将文本拆解为句子级的输入序列，并加上实体标记；将输入序列的各词语转换为嵌入向量，并获取各词语的上下文序列信息，得到输入序列的表征；根据输入序列的表征提取词语之间的依存关系，得到句法增强表征；根据句法增强表征分别提取金融实体的类型信息和上下文信息；引入金融实体外部知识库，并提取金融实体的知识增强表征；预测实体之间的关系类别，作为金融文本关系抽取的结果。本发明通过基于依存句法树的注意力机制捕获文本的句法增强特征，并通过注意力机制和外部知识图卷积增强金融实体信息，提高金融文本的关系抽取性能。
-
公开(公告)号：CN111488985B
公开(公告)日：2023-11-14
申请号：CN202010269318.5
申请日：2020-04-08
申请人： 华南理工大学
IPC分类号： G06N3/082 , G06N3/047 , G06N3/0464
摘要： 本申请公开了一种深度神经网络模型压缩训练方法、装置、设备、介质，该方法包括：获取目标训练数据集；将所述目标训练数据集输入到预先构建的第一深度神经网络模型和第二深度神经网络模型，得到第一输出和第二输出；根据所述第一输出和所述第二输出构建目标损失函数；利用所述目标损失函数对所述第一深度神经网络模型的第一全精度权重参数和所述第二深度神经网络模型的第二全精度权重参数进行更新；利用所述第二全精度权重参数更新所述第二深度神经网络模型的量化权重参数，并在所述目标损失函数满足预设要求时，将所述第二深度神经网络模型作为训练后压缩神经网络模型。这样能够减小模型的大小，降低存储和内存带宽需求，降低计算代价。
-
-
-
-
-
-
-
-
-
搜索结果
63 条记录 (耗时 0.05 秒)
