-
公开(公告)号：CN114331754B
公开(公告)日：2025-02-18
申请号：CN202111589813.5
申请日：2021-12-23
Applicant: 重庆大学
Abstract: 本发明涉及一种基于多策略深度强化学习的云制造服务组合方法，该方法结合基本DQN算法、竞争结构、双估计器和优先回放机制，同时还在模型中加入了一些策略，如奖励策略，ε‑greedy策略和启发式策略，来提高算法的性能。启发式策略可以屏蔽不可用服务，克服了由于超参数和奖励设计不合理导致DLR无法恢复到稳定状态的缺点。奖励可以让DLR可以根据真实奖励值来有效调整参数，ε‑greedy策略使算法有机会跳出局部最优。实验表明该模型不仅具有对动态环境适应性强的优点，而且比其他深度强化学习方法更好。
-
公开(公告)号：CN111932010B
公开(公告)日：2023-09-22
申请号：CN202010795874.6
申请日：2020-08-10
Applicant: 重庆大学
IPC: G06Q10/04 , G06Q30/0645 , G06Q50/26 , G06N3/048 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种基于骑行上下文信息的共享单车流量预测方法，包括如下步骤：S100引入的上下文特征，将共享单车流量预测转化为求T时刻对应的流量#imgabs0#的问题；S200使用LSTM网络作为编码器，计算得到隐藏层向量；S300计算每一个隐藏层向量与st‑1的注意力得分，对所有注意力得分使用激活函数softmax得到注意力权重；使用LSTM网络作为解码器进行解码，在解码时根据输出对应的语义向量Ct进行解码；S400中LSTM网络作为解码器，对得到的语义向量序列进行解码，得到最终的预测结果。该方法同时考虑到气象特征进行单车流量预测，流量预测的效果准确性高。
-
公开(公告)号：CN111324816B
公开(公告)日：2023-04-07
申请号：CN202010148082.X
申请日：2020-03-05
Applicant: 重庆大学
IPC: G06F16/9535 , G06F16/9537 , G06F16/29 , G06F18/22 , G06F18/23213
Abstract: 本发明涉及基于区域划分和上下文影响的兴趣点推荐方法，包括如下步骤：基于K‑means对位置进行聚类得到区域集合；计算用户对未知位置的协同分数；计算该位置的区域分数和基于区域的协同分数；采用幂律分布来模拟用户访问下一个位置的距离可能性；计算用户访问未知位置的综合距离得分；计算用户访问未知位置的综合类别分数；对综合类别分数和综合距离得分进行加权计算，得到上下文分数，再对协同分数和上下文分数进行加权计算，得到未知位置的最终分数，将最终分数值前K个位置生成推荐列表。该方法一方面缓解了协同过滤中普遍存在的数据稀疏问题，另一方面使得推荐结果具有合理而充分的可解释性。
-
公开(公告)号：CN113536109A
公开(公告)日：2021-10-22
申请号：CN202110609500.5
申请日：2021-06-01
Applicant: 重庆大学
IPC: G06F16/9535 , G06F16/9537 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于神经网络和移动上下文的兴趣点推荐方法，该方法包括两个步骤：S100建立联合神经网络模型，并对联合神经网络模型进行训练，计算用户访问未知地点的预测概率值；建立移动上下文的兴趣点推荐模型，计算用户访问未知地点的预测得分；S200进行联合神经网络模型和移动上下文的兴趣点推荐模型的融合，计算用户访问未知地点的预测分数，根据所述预测分数由大到小排序，得到该用户对未知地点感兴趣程度的推荐列表。本发明将联合神经网络和移动上下文进行结合，神经网络能够挖掘用户和地点之间的深层潜在关联，移动上下文能够在显式偏好的条件下增强推荐的合理性和解释性，两者模型相辅相成实现更精准和全面的综合推荐。
-
公开(公告)号：CN113033100A
公开(公告)日：2021-06-25
申请号：CN202110330102.X
申请日：2021-03-29
Applicant: 重庆大学
Abstract: 本发明涉及一种基于混合教学优化算法的云制造服务组合方法。包括如下步骤：从公开数据集中选择服务s并初始化得到初始种群P；计算初始种群P中每个个体的QoS值并选出最优值F(Pbest)和最优个体最优个体Pteacher；按比例分为种群A和种群B，并分别从群A和种群B中计算遴选出新个体组成子代个体；计算新个体的适应度值，选出最大适应度QoS’值与最优值F(Pbest)进行比较，来更新服务组合方案；重复上述步骤，当达到预设最大迭代次数时停止，输出最优值F(Pbest)，此时该最优值F(Pbest)对应的个体为最优服务组合。实验表明，该方法对于提高大规模环境下的服务组合的解质量是非常有效的。
-
Patent Agency Ranking
公开(公告)号：CN113536109B
公开(公告)日：2022-10-21
申请号：CN202110609500.5
申请日：2021-06-01
Applicant: 重庆大学
IPC: G06F16/9535 , G06F16/9537 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于神经网络和移动上下文的兴趣点推荐方法，该方法包括两个步骤：S100建立联合神经网络模型，并对联合神经网络模型进行训练，计算用户访问未知地点的预测概率值；建立移动上下文的兴趣点推荐模型，计算用户访问未知地点的预测得分；S200进行联合神经网络模型和移动上下文的兴趣点推荐模型的融合，计算用户访问未知地点的预测分数，根据所述预测分数由大到小排序，得到该用户对未知地点感兴趣程度的推荐列表。本发明将联合神经网络和移动上下文进行结合，神经网络能够挖掘用户和地点之间的深层潜在关联，移动上下文能够在显式偏好的条件下增强推荐的合理性和解释性，两者模型相辅相成实现更精准和全面的综合推荐。
-
公开(公告)号：CN111324816A
公开(公告)日：2020-06-23
申请号：CN202010148082.X
申请日：2020-03-05
Applicant: 重庆大学
IPC: G06F16/9535 , G06F16/9537 , G06F16/29 , G06K9/62
Abstract: 本发明涉及基于区域划分和上下文影响的兴趣点推荐方法，包括如下步骤：基于K-means对位置进行聚类，得到区域集合R；计算用户u对未知位置l的协同分数cf(u，l)；计算该位置的区域分数 和基于区域的协同分数采用幂律分布来模拟用户访问下一个位置的距离可能性p(l|ao)；计算用户访问未知位置l的综合距离得分 计算用户访问未知位置l的综合类别分数 对 和 进行加权计算，得到上下文分数对 和 进行加权计算，得到未知位置l的最终分数 按照分数的大小进行排序，将排名靠前的K个位置生成推荐列表recu。该方法一方面缓解了协同过滤中普遍存在的数据稀疏问题，另一方面使得推荐结果具有合理而充分的可解释性。
-
公开(公告)号：CN113268669B
公开(公告)日：2022-09-23
申请号：CN202110611269.3
申请日：2021-06-01
Applicant: 重庆大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/9537 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于联合神经网络的面向关系挖掘的兴趣点推荐方法，该方法首先构建训练数据集，然后构建局部特征提取、降维神经网络，关系挖掘网络，矩阵分解和联合神经网络的兴趣点推荐模型，采用现有数据集对兴趣点推荐模型进行训练，最后对于用户集合中的任一用户，预测该用户对多个未知地点是否感兴趣，将该用户和多个地点输入兴趣点推荐模型，得到该用户对多个位置地点的预测概率值，将所述概率值由大到小排序，得到该用户对多个未知地点感兴趣程度的推荐列表。本发明方法推荐兴趣点的排序质量和用户真正感兴趣的地点的命中率都高于现有方法。
-
公开(公告)号：CN112214335B
公开(公告)日：2023-12-01
申请号：CN202011092858.7
申请日：2020-10-13
Applicant: 重庆工业大数据创新中心有限公司 , 重庆大学
IPC: G06F9/54 , G06F16/36 , G06F40/284 , G06F18/22 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N5/022
Abstract: 本发明涉及基于知识图谱和相似度网络的Web服务发现方法，主要包括如下步骤：使用Word2Vec、知识图谱嵌入和LDA分别获得词嵌入矩阵，实体嵌入矩阵和主题嵌入矩阵；对主题嵌入矩阵，词嵌入矩阵和实体嵌入矩阵进行矩阵对齐；S300：将对齐后的主题嵌入矩阵，词嵌入矩阵和实体嵌入矩阵作为CNN的输入以提取深层服务描述信息即用户服务的特征向量；计算用户服务的特征向量与所有已存服务的特征向量的相似度得分，并按照相似度得分，由高到低排序，输出相似性得分前top‑k所对应的已存服务作为发现结果。通过实验表明本发明方法在多种评估指标上均优于现有方法。
-
公开(公告)号：CN112966096B
公开(公告)日：2022-05-24
申请号：CN202110371604.7
申请日：2021-04-07
Applicant: 重庆大学
IPC: G06F16/335 , G06F16/9535 , G06F16/33 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多任务学习的云服务发现方法，该方法构建了一个构建PDAML模型，PDAML模型由ad‑hoc模块和个性化模块构成，通过所述ad‑hoc模块负责理解服务请求者查询意图并对候选服务计算排名得分，通过所述个性化模块得到一个表示服务请求者的兴趣特征的得分，对PDAML模型进行训练更新参数，对于一个服务请求者的当前查询，将ad‑hoc模块计算的当前查询对应的候选服务描述文档的得分和当前查询对应的候选服务描述文档的个性化排名得分送入一个MLP层中得到最终的排名得分，按照最终排名得分的由高到低的顺序进行候选服务描述文档推荐。通过在公开可用的AOL数据集上进行实验表明，本发明方法较以往的方法有显著的性能提升，获得了最新的结果。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.022 seconds)
