-
公开(公告)号：CN116821238A
公开(公告)日：2023-09-29
申请号：CN202310770494.0
申请日：2023-06-28
申请人： 哈尔滨工程大学 , 哈尔滨工程大学三亚南海创新发展基地
IPC分类号： G06F16/27 , H04L67/1097 , G06F16/22 , G06F16/23 , G06F11/14 , G06F30/27 , G06F30/28 , G06N20/00 , G06F111/10 , G06F113/08 , G06F119/14
摘要： 本发明公开了一种基于机器学习的数值水池虚拟试验管理系统，包括，数据收集模块，用于获取数字虚拟水池试验中各种场景下的初始数据，随机生成模拟数据；模拟数据为实际水文环境中包括水流运动、水位变化、波浪的水动力学现象各种场景的待处理数据；中央存储模块，与数据收集模块连接，用于当接收到数据收集模块发送的存储任务后，对模拟数据进行处理并将处理后的模拟数据进行底层存储；自动化存储模块，与中央存储模块连接，用于根据预测分析结果自动调整存储资源配置，以及维护多个副本的数据一致性。本发明提高了系统对试验数据的存储容量以及试验的精度和效率，实现了对数值水池虚拟试验的自动化管理。
-
公开(公告)号：CN117313105A
公开(公告)日：2023-12-29
申请号：CN202311257110.1
申请日：2023-09-27
申请人： 哈尔滨工程大学 , 哈尔滨工程大学三亚南海创新发展基地 , 价值链技术(深圳)有限公司
发明人： 冯光升 , 李冰洋 , 张熠哲 , 蔡成涛 , 王巍 , 陆蓓婷 , 蒋文创 , 王小芳 , 王一 , 杨玉东 , 董宇欣 , 郎大鹏 , 李思照 , 刘泽超 , 马志强 , 申林山 , 宋洪涛 , 王兴梅 , 王也
摘要： 本发明公开了面向智能合约漏洞数据集的不平衡数据集处理系统及方法，系统包括：数据读取模块：用于依次读取不同类别的漏洞样本集，将所述不同类别的漏洞样本集输入子集划分模块中；子集划分模块：用于对所述不同类别的漏洞数据集中的少数类样本进行划分，获取若干样本子集，并将所述样本子集发送至数据生成模块；数据生成模块：用于分别对不同类别的所述样本子集进行处理，生成新数据；数据读取模块、子集划分模块、数据生成模块依次连接。本发明减小了边界模糊的问题，在一定程度上提升了样本的质量，同时对于多种样本进行了扩充，适用于多类数据的样本集。
-
公开(公告)号：CN114529077B
公开(公告)日：2024-10-29
申请号：CN202210137611.5
申请日：2022-02-15
申请人： 哈尔滨工程大学
IPC分类号： G06Q10/04 , G06Q30/0202 , G06Q30/0241 , G06N3/0442 , G06N3/08 , G06N3/0455
摘要： 本发明提出了一种基于会话内异构行为的点击率预测方法，获得用户信息数据集、项目信息数据集和用户行为序列数据集，分别对三种数据集进行预处理，并分为训练集和测试集；构建基于会话内异构行为的点击率预测模型；训练构建的基于会话内异构行为的点击率预测模型；将待推荐用户的个人信息、待推荐项目信息和待推荐用户行为序列输入到训练后的基于会话内异构行为的点击率预测模型，计算用户对目标项目的点击率，根据点击率将项目进行排序，并将排序后的项目列表推荐给用户；本发明同时考虑了用户与项目之间的多种异构行为对用户兴趣的影响，利用注意力机制计算不同类型的行为对兴趣的影响权重，更加精准地提取用户的兴趣。
-
公开(公告)号：CN114528490B
公开(公告)日：2024-10-29
申请号：CN202210151706.2
申请日：2022-02-18
申请人： 哈尔滨工程大学
IPC分类号： G06F16/9535 , G06N3/0895 , G06N3/0442 , G06N3/0464 , G06N3/042
摘要： 本发明公开了一种基于用户长短期兴趣的自监督序列推荐方法。步骤1：获得用户信息、项目信息及用户行为的序列数据集，将数据集进行预处理并划分为训练集和测试集；步骤2：构建基于用户长短期兴趣的自监督序列推荐模型；步骤3：利用训练集对步骤2所述基于用户长短期兴趣的自监督序列推荐模型进行训练；步骤4：将待推荐用户的个人信息和交互序列输入到步骤3中训练后的基于用户长短期兴趣的自监督序列推荐模型，计算待推荐项目相对于该用户的推荐得分，根据推荐得分将项目推荐给用户。本发明用以解决现有技术中用户的长、短期兴趣二者间所存在的相互约束关系的问题，实现对用户长期兴趣和短期兴趣有更准确的推荐。
-
公开(公告)号：CN114492978B
公开(公告)日：2024-10-29
申请号：CN202210067402.8
申请日：2022-01-20
申请人： 哈尔滨工程大学
IPC分类号： G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N3/049 , G06F18/25 , G06F18/213 , G06F123/02
摘要： 本发明提出了一种基于多层注意力机制的时空序列预测方法及设备，本发明基于注意力机制，根据跨领域数据的交叉影响，逐时间步融合多维特征构建历史数据特征，在不引入噪声的前提下，充分利用邻域数据丰富目标区域的特征信息，捕获不同区域时空序列的空间依赖关系。采用LSTM编码器分别捕获时间序列的长期、中期发展模式及短期突变信息，逐步利用注意力机制动态捕获多重时序关系对未来的影响，逐时间步计算相应历史信息的影响权重，最终使用LSTM解码器充分融合多跨度的历史数据，对时空序列进行预测。本发明可以在不引入噪声的前提下，充分利用邻域数据丰富目标区域的特征信息，捕获不同区域时空序列的空间依赖关系。
-
公开(公告)号：CN114880550B
公开(公告)日：2024-08-02
申请号：CN202210344135.4
申请日：2022-04-02
申请人： 哈尔滨工程大学
IPC分类号： G06F16/9535 , G06Q30/0601 , G06F18/25
摘要： 本发明提出一种融合多方面时域信息的序列推荐方法、设备和介质。本发明考虑三种时域信息来提高序列推荐的性能，构建融合多方面时域信息的序列推荐模型，模型包含三个部分，每一部分利用一种多粒度时域信息生成下一个用户可能感兴趣的物品表示。所述模型具体包括绝对时间模块，相对物品时间间隔模块和相对推荐时间间隔模块。三个模块经过有效的融合生成最终用户下一时刻感兴趣的物品表示，从而大大提高序列推荐性能。
-
公开(公告)号：CN116843026A
公开(公告)日：2023-10-03
申请号：CN202310620744.2
申请日：2023-05-29
申请人： 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC分类号： G06N5/02 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/0455
摘要： 一种基于多任务学习的知识图谱链接预测方法、计算机设备及存储介质，涉及知识图谱补全领域。解决现有InteractE模型存在的平移特性被破坏的问题。本发明提供以下方案，对知识图谱数据集进行预处理生成逆关系三元组，将得到的逆关系三元组的知识图谱数据集作为输入；构建基于多任务学习的知识图谱链接预测模型；在所述预测模型的训练集上进行迭代训练；将验证集中待预测逆关系三元组的头实体和关系输入到所述模型中，得到InteractE模型作为解码器的全部尾实体的预测得分，将测试集中待预测三元组的头实体和关系输入加载模型参数的模型中，预测得分最高的尾实体作为输出。适用于知识图谱中已经存在的头实体和关系信息预测缺失的尾实体的方法中。
-
公开(公告)号：CN114896515A
公开(公告)日：2022-08-12
申请号：CN202210344092.X
申请日：2022-04-02
申请人： 哈尔滨工程大学
IPC分类号： G06F16/9536 , G06F16/9535 , G06N3/04 , G06N3/08 , G06K9/62
摘要： 本发明提出基于时间间隔的自监督学习协同序列推荐方法、设备和介质。本发明使用图神经网络、注意力机制、自监督等技术构建基于时间间隔的自监督学习协同序列推荐模型，利用用户个人信息与交互数据，完成注意力权重改变机制和自监督学习，模型在训练过程中不断更改其中相关参数，充分考虑到了用户的周期性兴趣，并将协同信息与序列信息进行有效的融合，大大提高了个性化推荐性能。
-
公开(公告)号：CN114528490A
公开(公告)日：2022-05-24
申请号：CN202210151706.2
申请日：2022-02-18
申请人： 哈尔滨工程大学
IPC分类号： G06F16/9535 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于用户长短期兴趣的自监督序列推荐方法。步骤1：获得用户信息、项目信息及用户行为的序列数据集，将数据集进行预处理并划分为训练集和测试集；步骤2：构建基于用户长短期兴趣的自监督序列推荐模型；步骤3：利用训练集对步骤2所述基于用户长短期兴趣的自监督序列推荐模型进行训练；步骤4：将待推荐用户的个人信息和交互序列输入到步骤3中训练后的基于用户长短期兴趣的自监督序列推荐模型，计算待推荐项目相对于该用户的推荐得分，根据推荐得分将项目推荐给用户。本发明用以解决现有技术中用户的长、短期兴趣二者间所存在的相互约束关系的问题，实现对用户长期兴趣和短期兴趣有更准确的推荐。
-
公开(公告)号：CN114492978A
公开(公告)日：2022-05-13
申请号：CN202210067402.8
申请日：2022-01-20
申请人： 哈尔滨工程大学
摘要： 本发明提出了一种基于多层注意力机制的时空序列预测方法及设备，本发明基于注意力机制，根据跨领域数据的交叉影响，逐时间步融合多维特征构建历史数据特征，在不引入噪声的前提下，充分利用邻域数据丰富目标区域的特征信息，捕获不同区域时空序列的空间依赖关系。采用LSTM编码器分别捕获时间序列的长期、中期发展模式及短期突变信息，逐步利用注意力机制动态捕获多重时序关系对未来的影响，逐时间步计算相应历史信息的影响权重，最终使用LSTM解码器充分融合多跨度的历史数据，对时空序列进行预测。本发明可以在不引入噪声的前提下，充分利用邻域数据丰富目标区域的特征信息，捕获不同区域时空序列的空间依赖关系。
-
-
-
-
-
-
-
-
-
搜索结果
28 条记录 (耗时 0.087 秒)
