-
公开(公告)号：CN119990752A
公开(公告)日：2025-05-13
申请号：CN202510063935.2
申请日：2025-01-15
Applicant: 燕山大学
IPC: G06Q10/0635 , G06Q40/12 , G06N5/04 , G06Q10/04
Abstract: 本发明公开了一种基于大语言模型和Logistic模型的企业财务风险预警方法，属于计算机自然语言处理技术领域，包括以下步骤：步骤S1：分别收集上市公司第t‑2年的年度业绩说明会与第t‑1年的一季度、半年度、三季度业绩说明会文本数据，并收集其第t‑1年的财务数据；步骤S2：针对业绩说明会上的管理层文本，分别计算文本情感值、文本可读性、文本相似度，针对管理层与投资者的对话文本，计算问答相关性；步骤S3：使用公司财务数据并结合文本情感值、文本可读性、文本相似度、问答相关性，使用Logistic模型对上市公司是否会被ST处理进行预测。本发明能够从多个维度进行更全面、更准确的预测上市公司的财务风险。
-
公开(公告)号：CN118445477A
公开(公告)日：2024-08-06
申请号：CN202410535156.3
申请日：2024-04-30
Applicant: 燕山大学
IPC: G06F16/9535 , G06F16/335 , G06F16/33 , G06F16/35 , G06F18/24 , G06F18/213 , G06F18/25 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种结合大语言模型和对比学习的增强跨域顺序推荐方法，属于跨域序列推荐领域，包括融合大语言模型，融合比例微调，解耦序列的长短特征，对不同域长期特征和短期特征各自进行融合，获取长期兴趣和短期兴趣，对融合后不同域的长期兴趣和短期兴趣进行融合预测下一个item几个步骤。本发明实现了长期兴趣和短期兴趣的有效融合，从而显著提高了跨域顺序推荐的准确性。在一定程度上提升了跨域序列推荐的准确率，为推荐系统的研究和实践提供了新的视角和技术路径。
-
公开(公告)号：CN116820557A
公开(公告)日：2023-09-29
申请号：CN202310779964.X
申请日：2023-06-29
Applicant: 燕山大学
IPC: G06F8/73 , G06F8/41 , G06F16/34 , G06F40/284 , G06N3/0464 , G06F18/25
Abstract: 本发明公开了一种融合抽象语法树节点特征的代码摘要生成方法，属于软件工程技术相关领域。该方法首先为每一个源代码片段构造一个抽象语法树，然后利用Transformer编码器对源代码序列特征进行表示，其次对节点在抽象语法树层序遍历中的位置以及节点度进行编码后与节点自身属性特征融合输入到图卷积神经网络中学习各个节点的特征，最后将得到的节点特征与源代码序列特征融合使用Transformer解码器进行摘要预测。本发明能够有效利用源代码的语法信息，充分挖掘抽象语法树中的结构信息，丰富了源代码语义的表示，提升了代码摘要生成的效果。
-
公开(公告)号：CN116579848A
公开(公告)日：2023-08-11
申请号：CN202310545049.4
申请日：2023-05-16
Applicant: 燕山大学
IPC: G06Q40/04 , G06F16/901 , G06N3/0464 , G06N3/045 , G06N3/08 , G06F18/22
Abstract: 本发明公开了基于Transformer因果链的动态图欺诈检测方法，属于欺诈检测领域，包括构建动态图；将用户属性作为图卷积神经网络的输入，生成用户的结构隐向量；通过Heat Kernel生成用户的因果链；通过生成的结构隐向量和因果链生成用户的时序结构向量；使用因果链作为Transformer的时序输入，将结构因变量作为特征输入，得到用户的时序结构表征；将全部用户节点的时间表征两两组合，通过MLP得到交互得分，根据其交互得分判断两个用户的交易之间是否存在欺诈行为。本发明在传统图神经网络的捕获结构信息的基础上，通过Transformer高效的时序性来捕获节点的时序特征，能够有效地提升异常检测的效果。
-
公开(公告)号：CN115840852A
公开(公告)日：2023-03-24
申请号：CN202211581727.4
申请日：2022-12-09
Applicant: 燕山大学
IPC: G06F16/9535 , G06F16/906 , G06F17/16 , G06F18/2321
Abstract: 本发明提供了一种应用于推荐场景的基于时空会话图的归纳式矩阵补全方法，该方法包括：基于用户‑项目二部图提取每个训练用户‑项目对的一跳邻居图，这些局部图包含了丰富的用户与项目交互的图模式信息。根据用户与物品之间的交互时间密度对物品进行聚类，得到用户‑项目对的会话子图序列，聚合用户的会话子图表征得到用户的局部兴趣表征。利用元学习得到会话子图之间的隐含关系，获得用户兴趣的全局表征。之后利用多头注意力机制学习用户、项目的时空邻居表征向量，将全局表征与用户、项目的时空邻居表征融合得到用户兴趣的最终表征。本发明融合了时空信息，进一步挖掘了用户的潜在兴趣，与多种最新方法相比，该方法具有竞争优势。
-
Patent Agency Ranking
公开(公告)号：CN113935804A
公开(公告)日：2022-01-14
申请号：CN202111203509.2
申请日：2021-10-15
Applicant: 燕山大学
IPC: G06Q30/06 , G06F16/9535 , G06N3/04 , G06N3/08 , G06N20/00
Abstract: 本发明公开了一种基于强化学习和加权元路径的语义推荐方法，属于推荐算法技术领域，包括收集用户各类实体属性信息、获取记录中用户和物品的异构信息网络，对提取的记录以及各类实体属性信息进行预处理并分析，利用强化学习算法计算不同元路径的权重，自主学习不同元路径的权重，构建马尔可夫决策过程，对元路径的权重进行训练，得到元路径选择权重的信息并生成记录，构建深层决策网络并训练，设计经验池、预测网络和结果网络，对输出的奖励值进行拟合得到最佳权重，依据得到的最佳权重的元路径，计算用户相似度，并选取Top‑N进行排列，完成推荐。本发明能够结合用户的购买记录以及其他信息进行个性化推荐，提高了推荐的准确性。
-
公开(公告)号：CN113590964A
公开(公告)日：2021-11-02
申请号：CN202110893029.7
申请日：2021-08-04
Applicant: 燕山大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明涉及深度学习和智能推荐技术领域，具体涉及一种基于异构建模的深层神经网络Top‑N推荐算法，包括：数据获取构建，得到用户与物品的交互信息；将原始推荐用的异构信息网络,即用户物品评分网络通过构造元路径生成增强的显示和隐式反馈矩阵；MFDNN模型进行信息分析，即将所得到的显示反馈信息和隐式反馈信息输入MFDNN模型进行信息分析预测缺失的用户‑项目交互评分值；将MFDNN模型最终训练得到的用户物品向量嵌入输入到MFDNN模型，得到评分，进行排序输出；将MFDNN模型最终预测的用户对物品的评分与真实的用户评分进行对比，得出模型的效果；本发明能有效准确解决用户在海量的信息中寻找自己喜欢的信息问题。
-
公开(公告)号：CN107526850A
公开(公告)日：2017-12-29
申请号：CN201710944432.1
申请日：2017-10-12
Applicant: 燕山大学
CPC classification number: G06F17/30867 , G06Q50/01
Abstract: 本发明公开了一种基于多重个性化特征混合架构的社交网络好友推荐方法，该方法结合用户的属性信息及用户间的互动信息，定义亲密度特征，并构建亲密度概率转移矩阵，引入随机游走模型计算用户之间交互程度评分值。在此基础上，定义用户的个性化节点特征，利用加权平均法为其分别赋予不同的权值，最后利用随机游走算法，得到Top-N的推荐列表进行推荐。本发明充分考虑了用户的属性信息和交互信息，考虑了用户的兴趣特征，以及用户在社交网络中的行为特征，通过这些个性化的网络特征和节点特征可以真实地反映用户的真实好友需求，极大程度上提高了好友推荐的准确率。
-
公开(公告)号：CN119046730A
公开(公告)日：2024-11-29
申请号：CN202411147640.5
申请日：2024-08-21
Applicant: 燕山大学
IPC: G06F18/24 , G06N20/00 , G06N3/0455 , G06F40/194
Abstract: 本发明公开了基于预训练语言模型和深度提示的文本图节点分类方法，属于计算机图表示学习领域，包括：构建框架TegPPT；采用冻结预训练语言模型参数和优化连续提示与分类头参数对框架TegPPT进行优化；具体是利用预训练语言模型作为基础模型执行文本属性图的节点分类任务，通过序列化模块联合编码文本属性与图的拓扑结构，通过连续提示激发预训练语言模型的底层知识，提升模型在理解和表达节点文本属性及节点间复杂关系的能力，深度调优技术确保预训练空间与下游任务空间充分对齐，优化了模型的泛化能力和节点分类任务上的表现。本发明不仅能更好地捕获图拓扑结构与文本信息，同时还规避了现有研究中潜在的负迁移风险。
-
公开(公告)号：CN117972227A
公开(公告)日：2024-05-03
申请号：CN202410148115.9
申请日：2024-02-02
Applicant: 燕山大学
IPC: G06F16/9536 , G06N3/042 , G06N3/084 , G06N3/0895 , G06Q30/0601
Abstract: 本发明公开了一种结合自监督的跨域推荐方法，属于推荐系统技术领域，包括：获取用户和物品的交互数据信息；构建图神经网络，其中包括源域和目标域的图；采用图神经网络聚合邻居的embedding；重叠用户之间进行消息传递，保持源域和目标域之间共享信息的传递；根据损失函数反向传播更新embedding；使用测试集用户物品embedding进行推荐。本发明应用自监督的辅助任务拉近向量表示，能够有效的对齐相同用户，增加推荐系统的性能。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.02 seconds)
