一种个性化推荐方法及装置
    1.
    发明公开

    公开(公告)号:CN116089701A

    公开(公告)日:2023-05-09

    申请号:CN202211478596.7

    申请日:2022-11-17

    摘要: 本申请公开了一种个性化推荐方法及装置,具体涉及互联网技术领域。本申请具体包括:先从目标对象文本浏览记录中提取关键词,并将关键词作为第一关键词,再确定第一关键词在预设语义树中对应的节点位置,其中,预设语义树由若干个节点和各个节点之间的链接组成,一个节点对应着一个词语,各个节点之间的链接标识着词语间的关系,接着根据第一关键词对应的节点位置和预设语义树选取至少一个第二关键词,最后根据至少一个第二关键词向目标对象推荐文本,这样,将关键词进行语义拓展,并根据原关键词以及语义拓展后得到的词语对用户进行个性化推荐,进而,推荐的内容更容易满足用户偏好,提高了用户对个性化推荐的满意度。

    神经网络模型训练方法、装置、设备及可读存储介质

    公开(公告)号:CN116227577A

    公开(公告)日:2023-06-06

    申请号:CN202310233224.6

    申请日:2023-03-07

    摘要: 本申请公开了一种神经网络模型训练方法、装置、设备及可读存储介质,将训练样本输入神经网络模型,得到模型预测的结果,对根据结果及标签计算出的损失函数求二阶导,得到二阶损失函数,利用线性共轭梯度算法对二阶损失函数进行优化,得到目标函数,再基于如下公式:计算梯度下降向量,也即使用了二阶优化算法对模型的参数进行训练调整,直至满足设定的训练结束条件,使神经网络模型能够准确的训练学习,能够处理大量的训练样本,有效地实现神经网络模型通过一个完全通用的优化器来执行,无需任何训练样本的预训练,解决了深度学习中的欠拟合问题,同时使得优化速度更快。

    一种缺陷检测模型构建方法、缺陷检测方法及装置

    公开(公告)号:CN118864870A

    公开(公告)日:2024-10-29

    申请号:CN202410778624.X

    申请日:2024-06-17

    发明人: 聂玲 杨洋 梁子寒

    摘要: 本申请实施例公开了一种缺陷检测模型构建方法、缺陷检测方法及装置,其中,该方法包括:利用多张电力计量设备有缺陷样本和多张电力计量设备无缺陷样本训练待训练对比学习模型,得到目标对比学习模型;利用目标对比学习模型中的目标特征提取网络构造待训练缺陷检测模型的骨干网络;利用多对有无缺陷样本对训练待训练缺陷检测模型,得到目标缺陷检测模型。可见,本申请实施例中利用对比学习的方法,以及同一电力计量设备有无缺陷的图像对之间的关联关系,对待训练缺陷检测模型进行训练,提高了训练得到的目标缺陷检测模型的缺陷检测准确性,从而能实现对电力计量设备进行有效的缺陷检测。

    一种技术标准知识图谱的构建方法及系统

    公开(公告)号:CN112395427A

    公开(公告)日:2021-02-23

    申请号:CN202011387180.5

    申请日:2020-12-01

    IPC分类号: G06F16/36 G06F40/279

    摘要: 本发明公开了一种技术标准知识图谱的构建方法及系统,基于技术标准文档的格式,对技术标准文档按照预设拆分标准进行拆解得到多个技术标准知识点文档,对每个技术标准知识点文档进行实体识别和句子切分,并对识别出的每个实体标注对应的实体相关信息得到目标实体,基于各个目标实体以及句子切分得到的各个技术标准知识点子文档之间的关联关系构建得到技术标准知识图谱。本发明在构建技术标准知识图谱之前,将技术标准文档拆解为多个技术标准知识点文档,通过对每个技术标准知识点文档进行实体识别、实体标注以及句子切分,使得构建得到的技术标准知识图谱可以精细描述技术标准文档中各个实体的关联关系,从而用户可以快速提取到所需的知识点。

    一种数据处理方法及其相关产品
    7.
    发明公开

    公开(公告)号:CN115563551A

    公开(公告)日:2023-01-03

    申请号:CN202211397865.7

    申请日:2022-11-09

    摘要: 本申请公开了一种数据处理方法及其相关产品。该方法包括:从未标记数据集中确定信息量最大的结构化数据作为目标样本,并进行标记;未标记数据集中包括多个未被标记的结构化数据;对已标记的目标样本进行分析处理,生成与已标记的目标样本具有相同标记信息的新的样本;以新的样本更新用于训练结构化数据检测模型的已标记数据集;已标记数据集中包括多个已标记的结构化数据。如此,通过选取信息量最大的结构化数据作为目标样本进行标记,而非对未标记数据集中的所有样本均进行标记,可以节约标记数据的资源。并且,新的样本与目标样本具有相同标记信息,以新的样本扩充已标记数据集,可以进一步减少标记数据的计算资源和人力资源。