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

发明人： 席萌 ,  杨孟铎 ,  周洁 ,  潘晓华 ,  李莹 ,  吴洋洋 ,  邓水光 ,  尹建伟

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：CN118395009A

公开(公告)日：2024-07-26

申请号：CN202410556321.3

申请日：2024-05-07

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)

发明人： 席萌 ,  杨孟铎 ,  周洁 ,  潘晓华 ,  李莹 ,  吴洋洋 ,  张金山 ,  尹建伟

IPC分类号： G06F16/9535 ,  G06F18/10 ,  G06F18/25 ,  G06N3/0455 ,  G06N3/045 ,  G06N3/042 ,  G06V10/74 ,  G06F18/22 ,  G06N3/08 ,  G06N5/04

摘要： 本发明公开了一种基于互信息与改进图自编码器的多模态推荐方法，包括：(1)构造物品‑物品共现图和物品前k相似度图，并将这两种物品图归一化；(2)通过改进的图自编码器学习有效的物品模态特征；(3)通过聚合用户所交互物品的模态表示来获得对应的用户模态特征；然后，使用L层GNN在交互图上传播和聚合用户/物品的模态特征；(4)采用两个层次的互信息约束；(5)采用内积来预测用户和物品之间的交互概率，作为推荐的依据；然后，采用多任务训练方法来训练模型；(6)利用训练好的模型进行推荐的应用。利用本发明，可有效解决多模态推荐任务中的模态噪声问题、特征冗余问题、表示对齐问题，从而大幅度提升多模态推荐系统的性能。

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

申请人： 浙江大学 ,  浙江大学滨江研究院

发明人： 吴洋洋 ,  吴维峰 ,  苗晓晔 ,  席萌 ,  潘晓华 ,  尹建伟

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：CN118503643A

公开(公告)日：2024-08-16

申请号：CN202410962092.5

申请日：2024-07-18

申请人： 浙江大学滨江研究院 ,  卡奥斯工业智能研究院(青岛)有限公司

发明人： 沈诗婧 ,  吴洋洋 ,  王超 ,  王琳 ,  潘晓华

IPC分类号： G06F18/15 ,  G06N3/045 ,  G06N3/0895 ,  G06F18/24

摘要： 本发明公开了一种基于半监督学习的缺失数据补全模型，包括：生成器G，生成一个经过补全的数据矩阵#imgabs0#；判别器D，将数据矩阵#imgabs1#的编码存储在掩码矩阵M中，之后判别器D输出一个判别概率矩阵；分类器C，该分类器C使用有标签的多元数据进行训练；其中，生成器G、判别器D和分类器C均引入有多层感知机，通过多层感知机对给定多元数据样本X进行重构，重构成多元的数据矩阵#imgabs2#。本发明的基于半监督学习的缺失数据补全模型，可以提升数据完整性，避免因数据缺失问题而影响后续的决策分析。

公开(公告)号：CN117973560A

公开(公告)日：2024-05-03

申请号：CN202410157478.9

申请日：2024-02-04

申请人： 浙江大学

发明人： 苗晓晔 ,  李斌 ,  吴洋洋 ,  尹建伟 ,  傅奕诚 ,  张艳

IPC分类号： G06N20/00 ,  G06F21/62

摘要： 本发明公开了一种高精度保障的隐私保护去中心联邦学习方法及装置，包括：参与联邦学习的客户端初始化模型权重和梯度追踪变量；在首次通信时每个客户端向邻居客户端发送纯粹的随机噪声，并在接收到邻居噪声后用发送的总噪声减去接收的总噪声，将该收发噪声差加入到梯度追踪变量的更新中来扰动后续的梯度信息，防止窃听者获取精确的梯度值而推断原始数据；在后续通信时每个客户端向邻居客户端发送模型权重和梯度追踪变量，并相应地聚合收到的参数，由于梯度追踪变量中隐含的收发噪声差可以在全局角度上被消零，所以可以保证全局梯度的稳定性和追踪变量的全局追踪；最后，各个客户端持续进行信息交换并更新模型直到达到预期的模型精度。

公开(公告)号：CN111639969B

公开(公告)日：2023-05-26

申请号：CN202010466953.2

申请日：2020-05-28

申请人： 浙江大学

发明人： 苗晓晔 ,  朋环环 ,  黄新宇 ,  吴洋洋 ,  尹建伟

IPC分类号： G06Q40/12 ,  G06Q10/0631 ,  G06Q10/0639 ,  G06N3/044 ,  G06N3/08

摘要： 本发明公开了一种用于众包系统的动态激励计算方法和系统，该方法包括获取需求者在众包平台上的任务数据以及参与用户的历史任务问答数据；将任务分配给参与用户；针对每个参与用户构建一个循环神经网络模型；根据参与用户的历史任务问答数据，训练循环神经网络模型；依据参与用户、任务以及循环神经网络模型的预测结果，计算不同激励值所带来的最终收益大小判断是否给予当前用户激励值；收集所有参与用户的答案，以得到需求者所需的结果。在解决在线收益计算问题时，本发明同样提出了一种简洁高效的算法。模拟实验证实了本发明在复杂情况下的高效性和鲁棒性。众包平台上的实际实验也显示了本发明相对于传统方法的高效性及优越性。

公开(公告)号：CN113222774B

公开(公告)日：2023-05-23

申请号：CN202110419666.0

申请日：2021-04-19

申请人： 浙江大学

发明人： 苗晓晔 ,  朋环环 ,  吴洋洋 ,  刘悦 ,  尹建伟

IPC分类号： G06Q50/00

摘要： 本发明公开了一种社交网络种子用户选择方法和装置、电子设备、存储介质。该方法包括：对社交网络和用户行为进行建模，得到时间感知的社交网络传播模型；根据所述社交网络传播模型，多次选择任意用户进行反向传播模拟，记录反向传播模拟中被激活的用户，将这些用户组成反向可达集RRsets；根据所述反向可达集RRsets，使用用户集与所述反向可达集RRsets的交集个数代表用户集中任意用户的近似影响力，基于所述近似影响力贪心选择预定数目的用户，作为社交网络中的种子用户。本发明方法具有高效性和鲁棒性。

公开(公告)号：CN114974408B

公开(公告)日：2024-09-06

申请号：CN202210588763.7

申请日：2022-05-26

申请人： 浙江大学

发明人： 苗晓晔 ,  茹钟莹 ,  吴洋洋 ,  朋环环 ,  尹建伟

IPC分类号： G16B15/30 ,  G06N3/0464 ,  G06N3/09

摘要： 本发明公开了一种药物互作用预测模型的构建方法、预测方法及装置，包括收集整理药物、内源蛋白质的分子线性表示及这些分子间的互作用，所述药物包括化学药和生物药；使用所述分子线性表示及这些分子间的互作用，构造外层互作用图连接性增强、内层分子结构图数据量扩充的双视角异构图；搭建以双视角异构图为输入的药物互作用预测模型，所述模型包括双视角异构图表征模块和双视角融合预测模块，所述双视角异构图表征模块基于图神经网络学习各视角下药物和内源蛋白质的表征，随后所述双视角融合预测模块结合双视角给出预测；训练所搭建的模型并调整其超参数，得到面向化学药和生物药的多类型药物互作用预测模型。

公开(公告)号：CN116795826A

公开(公告)日：2023-09-22

申请号：CN202310799551.8

申请日：2023-07-03

申请人： 浙江大学

发明人： 苗晓晔 ,  吴洋洋 ,  南子昂 ,  林博 ,  尹建伟

IPC分类号： G06F16/215 ,  G16H70/00 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094

摘要： 本发明公开了一种基于数据关联性挖掘的多模态医疗缺失数据补全方法及装置，该方法包括：获取存在数据缺失问题的原始多模态医疗数据。根据所获取的原始多模态数据，构建基于数据关联性挖掘的生成器模型和掩码能量判别器模型。将构建好的基于数据关联性挖掘的生成器模型和掩码能量判别器模型进行结合，利用原始多模态医疗数据对结合后的模型进行博弈优化训练。通过训练好的生成器模型完成对缺失数据的补全，得到完整数据。本发明针对多模态数据缺失的问题，采用基于挖掘多模态数据间关联性的方法以有效进行数据补全，具有补全精度高，模型复杂度低等优点。

公开(公告)号：CN113362905A

公开(公告)日：2021-09-07

申请号：CN202110637110.9

申请日：2021-06-08

申请人： 浙江大学

发明人： 廖佳宇 ,  严泽伊 ,  苗晓晔 ,  刘悦 ,  吴洋洋 ,  钱玲慧 ,  邵瑾宁

IPC分类号： G16C20/10 ,  G16C20/20 ,  G16C20/30 ,  G16C20/70 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种基于深度学习的不对称催化反应对映选择性预测方法。该方法首先获取并整理异氰基乙酸酯参与的不对称催化反应数据，并设计模型训练集与样本外测试集；计算并处理反应涉及化合物的分子描述符，将其与反应条件汇总为一组特征向量输入模型；基于训练集分别构建深度神经网络和卷积神经网络回归模型并优化其超参数，进而获得能准确预测训练集反应对映选择性的模型；利用最佳神经网络模型预测样本外反应的对映选择性，检验模型的可迁移性。结果表明，该模型能够较准确地预测样本外反应的对映选择性，进一步验证了模型的稳健性与可迁移性。