-
公开(公告)号：CN116129143B
公开(公告)日：2023-09-08
申请号：CN202310100687.5
申请日：2023-02-08
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
摘要： 一种基于串并联网络特征融合的边缘阔提取方法，属于医学影像边缘轮廓提取技术领域，科学有效的捕获了CTA影像轮廓细节信息，自动学习不同的特征权重，强化目标区域特征，又将不同分辨率的特征图转换为高分辨率特征图并融合，提高CTA影像轮廓清晰度，保证了信息的完整性。该网络结构并没有增加网络的横向深度，而是纵向扩展了网络，增加了模型的非线性，降低了相邻像素点的相关性，更有利于清晰边缘的提取。
-
公开(公告)号：CN115357805B
公开(公告)日：2023-06-16
申请号：CN202210920144.3
申请日：2022-08-02
申请人： 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9536 , G06N3/0464 , G06N3/042 , G06N3/08
摘要： 一种基于内外部视角的群组推荐方法，基于外部视角，将群组与餐厅和用户与餐厅的交互看作两个独立的过程，利用图卷积分别学习这两种交互行为中隐含的偏好信息，使模型学习到用户作为个体时的个人偏好以及群组作为整体时的固定偏好。基于内部视角，将群组决策过程中成员之间存在的互动商讨过程考虑在内，采用图注意力神经网络学习此过程中产生的成员间的相互影响，使模型能够准确捕捉受影响后的成员偏好变化。基于内部视角，不同成员在群组中的作用与影响力不同，导致在群组决策中的贡献度不同，采用注意力机制学习成员贡献度大小，能够以一种动态的方式学习聚合策略，更好的权衡不同成员的偏好，解决偏好冲突问题。
-
公开(公告)号：CN113868537B
公开(公告)日：2022-07-05
申请号：CN202111212853.8
申请日：2021-10-19
申请人： 山东省人工智能研究院 , 齐鲁工业大学 , 山东省计算中心(国家超级计算济南中心)
IPC分类号： G06F16/9536 , G06F16/9538 , G06Q30/02 , G06Q30/06
摘要： 一种基于多行为会话图融合的推荐方法，使用目标用户和相似用户的联合多行为序列数据构建多行为带权无向会话图。在此基础上，根据不同权重聚合邻居信息得到项目多行为嵌入，串联项目多行为嵌入并结合注意力机制获取用户兴趣表征。最终，使用项目嵌入和用户兴趣表征进行内积得到归一化分数决定是否推荐项目。相较其他会话型推荐方法，一是从建模用户多行为序列数据，能够得到包含更多行为意图的项目嵌入；二是将序列构建为带权无向图，解除了聚合邻居信息时的单向束缚，模型能学习到项目间的双向关系；三是使用相似用户补充目标用户数据，模型能够学习到没有出现在目标用户历史数据中的“新颖”的项目，进而提高推荐结果的多样性和准确性。
-
公开(公告)号：CN114741572B
公开(公告)日：2024-07-23
申请号：CN202210364463.0
申请日：2022-04-08
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC分类号： G06F16/9035 , G06F16/9038 , G06F16/906
摘要： 一种基于图卷积神经网络群组发现的群组推荐方法，根据电影主题类别将用户—电影交互数据划分为数据子集，使用各数据子集构建用户—电影交互图，通过图卷积网络从交互图中学习用户/电影嵌入表示，然后利用Kmeans算法进行群组发现，通过均值融合策略，将群组成员嵌入表示融合为群组嵌入表示，最后将群组嵌入表示与电影嵌入表示进行内积得到群组对电影的预测偏好得分，根据偏好得分向群组推荐电影。侧重于群组发现阶段的用户嵌入获取方法，考虑了群组的内部一致性对群组推荐算法性能的影响，将用户—电影的交互信息融入用户/电影的特征信息之中，提高了群组发现中的用户嵌入表示的准确度，进而增强了群组推荐算法的性能。
-
公开(公告)号：CN116468619A
公开(公告)日：2023-07-21
申请号：CN202310184267.X
申请日：2023-03-01
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
摘要： 一种基于多特征反馈融合的医学影像去噪方法，运用了采用了解码‑编码的网络框架，通过多特征反馈融合网络对图像进行特征提取。特征反馈融合网络由多特征反馈融合模块(MFFM)和并联扩张卷积模块组成。通过并联多个不同扩张率的扩张卷积层在提取浅层特征的同时既增大特征图的感受野，又保证信息不丢失。多特征反馈融合模块(MFFM)可以将进一步提取的深层特征以注意力机制的形式反馈给浅层特征，从而实现深层特征和浅层特征的深度融合。将融合后的特征图池化放大至相同尺寸可以保证输入特征图的shape不变。化特征向量，降低噪声因子的干扰。恢复特征图融合了关键像素特征，强化了特殊而又复杂的模糊边缘，降低了噪声对冠状动脉CTA的影响。
-
公开(公告)号：CN116468619B
公开(公告)日：2024-02-06
申请号：CN202310184267.X
申请日：2023-03-01
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
摘要： 一种基于多特征反馈融合的医学影像去噪方法，运用了采用了解码‑编码的网络框架，通过多特征反馈融合网络对图像进行特征提取。特征反馈融合网络由多特征反馈融合模块(MFFM)和并联扩张卷积模块组成。通过并联多个不同扩张率的扩张卷积层在提取浅层特征的同时既增大特征图的感受野，又保证信息不丢失。多特征反馈融合模块(MFFM)可以将进一步提取的深层特征以注意力机制的形式反馈给浅层特征，从而实现深层特征和浅层特征的深度融合。将融合后的特征图池化放大至相同尺寸可以保证输入特征图的shape不变。化特征向量，降低噪声因子的干扰。恢复特征图融合了关键像素特征，强化了特
-
公开(公告)号：CN116129143A
公开(公告)日：2023-05-16
申请号：CN202310100687.5
申请日：2023-02-08
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
摘要： 一种基于串并联网络特征融合的边缘阔提取方法，属于医学影像边缘轮廓提取技术领域，科学有效的捕获了CTA影像轮廓细节信息，自动学习不同的特征权重，强化目标区域特征，又将不同分辨率的特征图转换为高分辨率特征图并融合，提高CTA影像轮廓清晰度，保证了信息的完整性。该网络结构并没有增加网络的横向深度，而是纵向扩展了网络，增加了模型的非线性，降低了相邻像素点的相关性，更有利于清晰边缘的提取。
-
公开(公告)号：CN114780866A
公开(公告)日：2022-07-22
申请号：CN202210376638.X
申请日：2022-04-11
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC分类号： G06F16/9536 , G06F16/9537 , G06N3/04 , G06N3/08
摘要： 一种基于时空上下文兴趣学习模型的个性化智能推荐方法，使用图神经网络建模用户历史签到行为序列，通过创新图消息传播与聚合的拉普拉斯范数，融合兴趣点之间的交互关联性及空间关联性来获取兴趣点的高阶特征表示。同时编码日模式创新性的获取到了用户的长期兴趣，并使用长短期记忆网络捕获用户短期行为模式作为短期兴趣，通过层间注意力获取长短期兴趣。在此基础上进行候选兴趣点的概率计算作为推荐依据。通过图卷积的方式提高了兴趣点的特征提取效果，充分利用时空上下文挖掘用户的兴趣，以此进行推荐提高准确率，解决用户的出行需求。
-
公开(公告)号：CN115357783B
公开(公告)日：2023-06-06
申请号：CN202210918943.7
申请日：2022-08-01
申请人： 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9535 , G06F16/958 , G06F16/335 , G06F40/289 , G06F40/30
摘要： 一种基于结构化多兴趣协同的企业服务快讯推荐方法，通过附加选择器以增强快讯的特征，有效增强了最终的企业服务快讯表示；本发明提出的用户兴趣表示学习方法通过构建用户兴趣结构无向图，利用图注意力网络可以一种显示的方式结构化编码用户的多种潜在兴趣，这可以提取更加精确的用户兴趣表示；本发明提出的用户兴趣表示学习方法充分考虑了用户多种潜在兴趣之间的相互作用，利用自注意力网络模拟兴趣之间的作用关系有效增强了用户兴趣表示；本发明得益于良好的企业服务快讯表示学习方法和用户兴趣表示学习方法，有效提高了企业服务快讯推荐的准确性。
-
公开(公告)号：CN115357805A
公开(公告)日：2022-11-18
申请号：CN202210920144.3
申请日：2022-08-02
申请人： 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9536 , G06N3/04 , G06N3/08
摘要： 一种基于内外部视角的群组推荐方法，基于外部视角，将群组与餐厅和用户与餐厅的交互看作两个独立的过程，利用图卷积分别学习这两种交互行为中隐含的偏好信息，使模型学习到用户作为个体时的个人偏好以及群组作为整体时的固定偏好。基于内部视角，将群组决策过程中成员之间存在的互动商讨过程考虑在内，采用图注意力神经网络学习此过程中产生的成员间的相互影响，使模型能够准确捕捉受影响后的成员偏好变化。基于内部视角，不同成员在群组中的作用与影响力不同，导致在群组决策中的贡献度不同，采用注意力机制学习成员贡献度大小，能够以一种动态的方式学习聚合策略，更好的权衡不同成员的偏好，解决偏好冲突问题。
-
-
-
-
-
-
-
-
-
搜索结果
273 条记录 (耗时 0.089 秒)