一种基于动态注意力和分层强化学习的推荐系统

    公开(公告)号:CN112597392A

    公开(公告)日:2021-04-02

    申请号:CN202011564661.9

    申请日:2020-12-25

    申请人: 厦门大学

    摘要: 本发明公开了一种动态注意力和分层强化学习的推荐系统,包括用户画像矫正器:通过删除噪声数据来修改用户画像;(2)动态注意力机制:自动调整用户偏好的变化;(3)推荐模型:向相关用户推荐目标物品。所述推荐系统具有以下特点:动态注意力机制通过一个多层感知器自动调整每个交互过程中相应物品的attention权重,并将基于分层强化学习的用户画像矫正器合并到一个统一的框架中;其次,为了增强推荐系统的自适应性,以提高推荐的准确性,推荐系统针对不同时段物品交互的信息,在attention权重上增加了一个自适应系数,以便在每个推荐阶段自动更新相应物品的attention权重;最后,与HRL模型相比,本推荐系统可以提高策略评估的收敛速度,每个推荐阶段的开销时间更少。

    一种特定动漫人脸生成方法、终端设备及存储介质

    公开(公告)号:CN109859295B

    公开(公告)日:2021-01-12

    申请号:CN201910102804.5

    申请日:2019-02-01

    申请人: 厦门大学

    摘要: 本发明涉及一种特定动漫人脸生成方法、终端设备及存储介质,在该方法中结合现有的基于卷积神经网络的神经风格迁移技术,实现真实人脸到动漫人脸的颜色像素风格迁移,初步动漫风格化;结合现有的基于生成对抗网络的风格迁移技术,实现初步动漫风格化的真实人脸到特定动漫人脸的域风格迁移,得到特定动漫人物的动漫化真人人脸图像。本发明既能够提取颜色特征、又能够保持面部结构特征,减少面部变形;并且可以针对特定动漫人物,生成需要的图像。

    一种根据当前场景及其描述信息生成下一场景的方法

    公开(公告)号:CN111177461A

    公开(公告)日:2020-05-19

    申请号:CN201911390030.7

    申请日:2019-12-30

    申请人: 厦门大学

    摘要: 本发明公开了一种根据当前场景及其描述信息生成下一场景的方法,涉及视频制作编辑领域,包括以下步骤:S1,通过机器学习训练,生成描述信息生成模型、描述信息翻译模型和图片生成模型;S2,采用描述信息生成模型抽取当前场景的图片或视频的高维特征,将其转换成自然语言的描述,该自然语言的描述即为当前场景的描述信息;S3,采用描述信息翻译模型,通过少量单词建立当前场景和下一场景之间的上下文关系,并根据所述上下文关系,由当前场景的描述信息生成下一场景的描述信息;S4,采用图片生成模型,根据下一场景的描述信息和当前场景的的图片或视频的高维特征构建下一场景。

    基于云重心理论的分布式大数据系统风险评估方法

    公开(公告)号:CN104850727B

    公开(公告)日:2017-09-29

    申请号:CN201510038233.5

    申请日:2015-01-27

    IPC分类号: G06F19/00

    摘要: 本发明公开一种基于云重心理论的分布式大数据系统风险评估方法,包括过程1:对风险等级进行划分,通过标准云生成器产生标准风险云;过程2:对虚拟机节点的相关信息进行采集,并进行数据预处理,获得Risk(P,T,A,R)风险描述向量和RiskAHP‑RBF值;其中Risk(P,T,A,R)风险描述向量是指虚拟机性能指标P、虚拟机时间指标T、报警日志指标A和LSA风险识别指标R;过程3:对描述各属性的风险度向量进行归一化处理,使用风险度云逆向生成器产生数学风险云(也即4个属性风险云和一个综合风险云);过程4:将各属性风险云综合分析得到综合风险云Riskcloud;过程5:计算相似度并进行评价得出风险等级;过程6:以过程5的风险等级为依据,对当前汇聚云表示的风险等级进行评价。

    基于云重心理论的分布式大数据系统风险评估方法

    公开(公告)号:CN104850727A

    公开(公告)日:2015-08-19

    申请号:CN201510038233.5

    申请日:2015-01-27

    申请人: 厦门大学 林凡

    IPC分类号: G06F19/00

    摘要: 本发明公开一种基于云重心理论的分布式大数据系统风险评估方法,包括过程1:对风险等级进行划分,通过标准云生成器产生标准风险云;过程2:对虚拟机节点的相关信息进行采集,并进行数据预处理,获得Risk(P,T,A,R)风险描述向量和RiskAHP-RBF值;其中Risk(P,T,A,R)风险描述向量是指虚拟机性能指标P、虚拟机时间指标T、报警日志指标A和LSA风险识别指标R;过程3:对描述各属性的风险度向量进行归一化处理,使用风险度云逆向生成器产生数学风险云(也即4个属性风险云和一个综合风险云);过程4:将各属性风险云综合分析得到综合风险云Riskcloud;过程5:计算相似度并进行评价得出风险等级;过程6:以过程5的风险等级为依据,对当前汇聚云表示的风险等级进行评价。

    一种基于动态注意力和分层强化学习的推荐系统

    公开(公告)号:CN112597392B

    公开(公告)日:2022-09-30

    申请号:CN202011564661.9

    申请日:2020-12-25

    申请人: 厦门大学

    摘要: 本发明公开了一种动态注意力和分层强化学习的推荐系统,包括用户画像矫正器:通过删除噪声数据来修改用户画像;(2)动态注意力机制:自动调整用户偏好的变化;(3)推荐模型:向相关用户推荐目标物品。所述推荐系统具有以下特点:动态注意力机制通过一个多层感知器自动调整每个交互过程中相应物品的attention权重,并将基于分层强化学习的用户画像矫正器合并到一个统一的框架中;其次,为了增强推荐系统的自适应性,以提高推荐的准确性,推荐系统针对不同时段物品交互的信息,在attention权重上增加了一个自适应系数,以便在每个推荐阶段自动更新相应物品的attention权重;最后,与HRL模型相比,本推荐系统可以提高策略评估的收敛速度,每个推荐阶段的开销时间更少。

    一种基于动态递归机制的分层强化学习的推荐系统

    公开(公告)号:CN112597391A

    公开(公告)日:2021-04-02

    申请号:CN202011564657.2

    申请日:2020-12-25

    申请人: 厦门大学

    摘要: 本发明公开了一种基于动态递归机制的分层强化学习的推荐系统,包括用户画像矫正器:采用一种动态递归机制的策略梯度方法,及引入参数动态稀疏权重以删除噪声数据来修改用户画像,其中,所述动态递归机制的策略梯度方法包括:动态基线和基于时序上下文的递归强化学习,所述动态基线为采用动态稀疏权重对总收益进行学习策略的改进;注意力机制:用于自动调整用户偏好的变化;推荐模型:用于通过注意力机制向用户推荐最相关物品。本发明的推荐系统,通过在策略梯度方法中引入一个参数动态稀疏权重,使智能体在全局最优策略下选择最优行为;其次,结合时间上下文的分层强化学习,该方法能够更可靠地收敛,从而提高模型预测的稳定性。

    一种特定动漫人脸生成方法、终端设备及存储介质

    公开(公告)号:CN109859295A

    公开(公告)日:2019-06-07

    申请号:CN201910102804.5

    申请日:2019-02-01

    申请人: 厦门大学

    摘要: 本发明涉及一种特定动漫人脸生成方法、终端设备及存储介质,在该方法中结合现有的基于卷积神经网络的神经风格迁移技术,实现真实人脸到动漫人脸的颜色像素风格迁移,初步动漫风格化;结合现有的基于生成对抗网络的风格迁移技术,实现初步动漫风格化的真实人脸到特定动漫人脸的域风格迁移,得到特定动漫人物的动漫化真人人脸图像。本发明既能够提取颜色特征、又能够保持面部结构特征,减少面部变形;并且可以针对特定动漫人物,生成需要的图像。

    无线传感器网络中基于多目标进化算法的优化覆盖方法

    公开(公告)号:CN106131862A

    公开(公告)日:2016-11-16

    申请号:CN201610511177.7

    申请日:2016-07-01

    申请人: 厦门大学

    IPC分类号: H04W16/18 H04W24/02 H04W84/18

    摘要: 本发明提出一种无线传感器网络中基于多目标进化算法的优化覆盖方法,首先创建无线传感器网络的数学模型及目标函数,随机生成一种群,采用基于非支配排序和维度双向搜索的多目标进化算法主要流程如下:维持一个大小为N的种群,并通过不断迭代,引导算法逼近Pareto最优前沿。在每一次迭代过程中,首先给定一个种群Pt;引入基于改进差分运算的双向定向局部搜索策略用于产生一个更好的种群Pt′;然后,采用快速非支配排序算法对合并种群Pt∪Pt′进行排序并生成偏序边界,引入新分布度维持策略与快速非支配排序算法结合,以选择一个新的种群进入下一次进化,最终获得使得无线传感器网络所有节点的总工作功率小,同时又能保证覆盖率的最大化的种群方案。

    基于AHP-RBF的分布式大数据系统风险预测方法

    公开(公告)号:CN104978612A

    公开(公告)日:2015-10-14

    申请号:CN201510414923.6

    申请日:2015-07-15

    申请人: 厦门大学 林凡

    IPC分类号: G06Q10/04 G06F17/30

    摘要: 本发明公开一种基于AHP-RBF的分布式大数据系统风险预测方法,包括如下步骤:步骤1:采用AHP方法构建云计算虚拟机的单点风险描述模型;步骤2:用RBF神经网络实现AHP的风险指标的预测;RBF神经网络包含3层:第一层是输入层,由信号源节点组成;第二层为隐含层,该层所含的神经元数目是由具体问题而定的;第三层为输出层,主要是对输入模式做出响应;步骤3:采用MRPGA算法对RBF神经网络的隐含层优化,实现RBF神经网络对云计算虚拟机的单点风险预测;首先采用混合递阶遗传算法训练RBF神经网络,其将递阶遗传算法与递推最小二乘法相结合,利用递阶遗传算法确定RBF神经网络的结构、隐含层节点的中心和宽度,同时用递推最小二乘法对隐含层和输出层之间的连接权值进行构造。