-
公开(公告)号：CN117668354A
公开(公告)日：2024-03-08
申请号：CN202311492668.8
申请日：2023-11-10
申请人： 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC分类号： G06F16/9535 , G06F16/9536 , G06N20/00 , G06F17/16 , G06N3/0464 , G06N3/084 , G06N3/04
摘要： 本发明公开了一种可学习增强的图对比推荐方法，包括如下步骤：步骤一，对原始交互矩阵进行表示学习以进行原始交互图学习，这使模型能够保留原始信息，以保留有价值的上下文关系；步骤二，构建若干个视图生成器来获得可学习的矩阵以进行可学习视图的表示学习；步骤三，引入基于SVD的潜在矩阵来探索潜在的用户‑物品关系以进行潜在用户‑物品关系建模；步骤四，采用三视图对比策略来帮助学习主要推荐任务以进行三重视图对比学习。本发明的可学习增强的图对比推荐方法，通过结合图对比学习和可学习增强，便可将生成的可学习视图被很好地细化为无噪声。
-
公开(公告)号：CN117829165A
公开(公告)日：2024-04-05
申请号：CN202311646344.5
申请日：2023-12-04
申请人： 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC分类号： G06F40/35 , G06F40/211 , G06N3/0455 , G06N3/08
摘要： 本发明公开了一种基于大语言模型的超采样文本生成方法，包括：(1)将输入文本切分出基本文本单元；(2)基于大语言模型对文本进行特征嵌入，识别相邻基本文本单元之间的语义跃迁，构建由前段、中段、后段组成的文本三元组；(3)每个文本三元组初始化段落嵌入和位置嵌入，和文本嵌入相加得到综合嵌入；(4)将综合嵌入送入超采样模型，捕捉中间被省略的语义信息，得到特征向量；(5)使用多头注意力将特征向量和实际前后段文本的综合嵌入进行信息融合，并与前段文本综合嵌入拼接；(6)将拼接向量送入解码生成器模型，根据前段文本信息和超采样模型对中间语义的补充，生成后续内容。本发明可以提高模型的泛化能力，提升文本生成效果。
-
公开(公告)号：CN117909577A
公开(公告)日：2024-04-19
申请号：CN202311858903.9
申请日：2023-12-30
申请人： 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC分类号： G06F16/9535 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种多行为感知的图对比推荐方法，包括：(1)原始视图上的表示学习；(2)无噪视图上的表示学习；(3)多行为感知建模，包含潜在行为建模、E步的行为表示学习和M步的行为对比学习；(4)多任务学习。本发明很好地建模了用户的多种行为，从而更加有效地捕捉了用户/物品之间的交互关系，使得表示得到进一步提升；同时，解决了对比学习中的噪声问题，使得本发明推荐方法学习到的表示更加有效。
-
公开(公告)号：CN118113731A
公开(公告)日：2024-05-31
申请号：CN202311486619.3
申请日：2023-11-09
申请人： 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC分类号： G06F16/2452 , G06F16/242 , G06F16/2453 , G06F16/901 , G06N3/045
摘要： 本发明公开了一种基于注意力机制的自然文本转图数据库查询语言的方法，包括如下步骤：步骤一，构建CQL查询模板，获取自然文本问题、图数据库模式；步骤二，进行嵌入表示；步骤三，预测MATCH子句；步骤四，预测WHERE子句；步骤五，预测RETURN子句；步骤六，进行反向传播，更新网络参数，完成语言转换。本发明的基于注意力机制的自然文本转图数据库查询语言的方法，通过步骤一至步骤六的设置，所生成的CQL查询语句比现有的方法更加准确和规范。
-
公开(公告)号：CN117950794A
公开(公告)日：2024-04-30
申请号：CN202311491000.1
申请日：2023-11-10
申请人： 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC分类号： G06F9/455
摘要： 本发明公开了一种基于Kubernetes的服务编排系统，包括可视化编排组件，该可视化编排组件用于与用户进行人机交互，以供用户通过前端的图形化流程配置服务编排过程及其服务的相关的信息；控制面板组件，该控制面板组件与可视化编排组件通信连接，以接收可视化编排组件配置好的信息，并将信息进行解析，转换为crd的配置信息；编排引擎组件，该编排引擎组件与控制面板组件通信连接，以接收控制面板传入的配置信息，编排引擎会根据信息进行拓扑排序，并对每个节点启动一个go routine来负责完成服务编排，并将服务编排结果直接传递至用户；其中，控制面板组件的crd是指k8s里的operator。本发明的基于Kubernetes的服务编排系统，基于Kubernetes的服务编排系统。
-
公开(公告)号：CN118657300A
公开(公告)日：2024-09-17
申请号：CN202411150960.6
申请日：2024-08-21
IPC分类号： G06Q10/063 , G06F18/22
摘要： 本发明公开了基于系统熵和价值质量的多指标服务生态系统评估方法，包括如下步骤：步骤一，采用数据清洗、多源数据嵌入的方法对服务数据进行统一表征，实现服务多源异构数据对齐；步骤二，从参与者所获得价值的总和及系统熵角度评估服务生态系统；步骤三，基于模糊综合决策，根据时间、吞吐量、延迟、可靠性、成本来评估服务生态系统质量；步骤四，计算服务生态系统综合指标，完成对于服务生态系统的评估。本发明的基于系统熵和价值质量的多指标服务生态系统评估方法，统一多源异构数据，克服数据兼容性难题，为综合评估奠定基础。
-
公开(公告)号：CN118364234A
公开(公告)日：2024-07-19
申请号：CN202410555817.9
申请日：2024-05-07
IPC分类号： G06F18/15 , G06F18/241 , G06N3/0464 , G06N3/08 , G06N3/0895
摘要： 本发明公开了一种多视角缺失数据补全方法及装置、电子设备、存储设备，包括：获取多视角缺失数据样本、标签样本及掩码样本，构建视角块信息矩阵、标签矩阵和缺失掩码矩阵；根据视角块缺失掩码矩阵对信息矩阵进行实例归一化；构建基于生成对抗网络的多视角缺失数据补全模型；将视角块信息矩阵、标签矩阵和缺失掩码矩阵进行拼接，从拼接后的数据中随机采样，得到两个不同批次的多视角缺失数据拼接样本，再输入多视角缺失数据补全模型，通过重构掩蔽信息矩阵的方式进行训练，得到训练后的多视角缺失数据补全模型；将多视角缺失数据拼接样本输入优化后的多视角缺失数据补全模型进行补全，得到补全结果后进行反归一化，得到最终补全结果。
-
公开(公告)号：CN118709578A
公开(公告)日：2024-09-27
申请号：CN202411199047.5
申请日：2024-08-29
摘要： 本发明公开了一种面向动态演化的服务生态系统仿真构建演化方法，包括如下步骤：步骤一，构建服务生态系统决策生成模型；步骤二，模拟分析服务生态系统动态演化过程；步骤三，基于蒙特卡洛模拟得到的状态转移数据和概率，构建状态方程来描述系统状态的变化，具体如下式所示：#imgabs0##imgabs1#其中#imgabs2#为速率变量向量，表示状态变化的速度；之后进行仿真演算推理，然后根据仿真结果，为服务生态系统的优化和管理提供决策支持。本发明的面向动态演化的服务生态系统仿真构建演化方法，通过步骤一至步骤三的设置，便可简单有效的实现对于服务生态系统仿真构建演化。
-
公开(公告)号：CN116627693A
公开(公告)日：2023-08-22
申请号：CN202310574100.4
申请日：2023-05-18
申请人： 浙江大学 , 浙江大学滨江研究院 , 杭州熔合智造科技有限公司
IPC分类号： G06F11/07 , G06F11/30 , G06F11/34 , G06F18/2135 , G06F18/214 , G06F18/2415 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/08
摘要： 本发明提供了一种微服务系统中的故障检测方法，属于计算机异常检测技术领域。它解决了异常检查方法大多数为开发人员进行规则过滤并设置阈值等问题。本微服务系统中的故障检测方法包括以下步骤：S3.1：获取目标系统的分布式跟踪数据，并通过所述分布式跟踪数据进行构建，构建出服务调用链；S3.2：获取目标系统的监控数据，使用PCA方法进行降维获得监控数据向量；S3.3：将所述的监控数据向量作为所述服务调用链的权重嵌入服务调用链中；S3.4：将聚合后的服务调用链作为异常检测模型的输入，得到所述异常检测模型输出的对所述目标系统的异常检测结果。本发明具有能降低了对分析人员的专业性要求，能够在提升系统的异常检测效率，降低实现难度和成本等优点。
-
公开(公告)号：CN115129872A
公开(公告)日：2022-09-30
申请号：CN202210703906.4
申请日：2022-06-21
IPC分类号： G06F16/35 , G06F40/279 , G06F40/30 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于主动学习的小样本文本标注方法，包括：获取已标注样本集与未标注样本集；使用已标注样本集对预构建的标注模型进行训练，使用未标注样本集对训练后的标注模型进行测试；利用判断策略从测试结果中选取出至少一个不确定性文本，构建不确定性文本集；利用预先构建的主动学习框架，对步骤3获得的不确定性文本集进行数据处理与人工标注，获得代表性标注样本集；利用代表性标注样本集，对标注模型进行迭代训练，获得最终的标注模型。本发明还公开了一种基于上述方法构建的文本标注装置。本发明提供的方法通过引入判断策略与主动学习框架，提高了小样本资源的利用率，也缓解人工标注的压力，从而获得高质量的标注模型。
-
-
-
-
-
-
-
-
-
搜索结果
52 条记录 (耗时 0.047 秒)
