公开(公告)号：CN114116692B

公开(公告)日：2024-05-10

申请号：CN202111299422.X

申请日：2021-11-04

Applicant: 重庆大学

Inventor： 曾骏 ,  赵翊竹 ,  朱泓宇 ,  文俊浩 ,  高旻

IPC: G06F16/215 ,  G06F16/2457 ,  G06F16/2458

Abstract: 本发明涉及一种基于mask和双向模型的缺失POI轨迹补全方法，包括如下步骤：选取公开数据集确认兴趣点POI的地点和时间标签；按时间对兴趣点进行排序，得到用户轨迹序列；采用MASK机制随机覆盖用户轨迹中若干个兴趣点得到不完整轨迹序列Sm；对Sm进行所需要求处理，得到相关向量Lu、P和#imgabs0#将这三种向量矩阵进行想相加得到地点集嵌入矩阵In；构建双向网络模型，并通过损失函数训练该双向网络模型，最终得到训练好的双向网络模型。使用本方法可以更加有效的学习用户行为序列的表示，并且能够很准确的补全序列中缺失的POIs。

公开(公告)号：CN114880452A

公开(公告)日：2022-08-09

申请号：CN202210578261.6

申请日：2022-05-25

Applicant: 重庆大学

Inventor： 曾骏 ,  于扬 ,  赵翊竹 ,  朱泓宇 ,  文俊浩

IPC: G06F16/332 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于多视角对比学习的文本检索方法，该方法包括MvCR整体框架，其中Inner‑type对比学习模块中，通过参数共享机制为双编码器生成查询和文档的增强视图，并使用批量负样本以无监督的方式提高双编码器的表示能力；Cross‑type对比学习模块中，利用Inner‑type对比学习模块生成的增强视图的表示，并使用通过监督学习方法训练的异构数据增强技术采样的“硬负样本”，显着降低了影响由假阴性和未标记的阳性样本引起的噪声。另外该方还加入异构数据增强方法，可以生成多样化和代表性的训练示例。实验表明本方法在两个流行的稠密文本检索基准上实现很高的性能。

公开(公告)号：CN114880452B

公开(公告)日：2024-06-14

申请号：CN202210578261.6

申请日：2022-05-25

Applicant: 重庆大学

Inventor： 曾骏 ,  于扬 ,  赵翊竹 ,  朱泓宇 ,  文俊浩

IPC: G06F16/332 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/09 ,  G06N3/088

Abstract: 本发明涉及一种基于多视角对比学习的文本检索方法，该方法包括MvCR整体框架，其中Inner‑type对比学习模块中，通过参数共享机制为双编码器生成查询和文档的增强视图，并使用批量负样本以无监督的方式提高双编码器的表示能力；Cross‑type对比学习模块中，利用Inner‑type对比学习模块生成的增强视图的表示，并使用通过监督学习方法训练的异构数据增强技术采样的“硬负样本”，显着降低了影响由假阴性和未标记的阳性样本引起的噪声。另外该方还加入异构数据增强方法，可以生成多样化和代表性的训练示例。实验表明本方法在两个流行的稠密文本检索基准上实现很高的性能。

公开(公告)号：CN115544179A

公开(公告)日：2022-12-30

申请号：CN202211261819.4

申请日：2022-10-14

Applicant: 重庆大学

Inventor： 曾骏 ,  朱泓宇 ,  赵翊竹 ,  周魏 ,  高旻

IPC: G06F16/28 ,  G06F16/242

Abstract: 本发明涉及一种基于提示与对比学习的极少样本关系提取方法，该方法选用公开语句实例数据集O，O中的数据分为模拟查询集Q和模拟支持集S；构建关系提取模型PromptRE，PromptRE包括模板嵌入模块、BERT编码模块、全局表示优化模块和注意力相关对比学习模块，并使用Q和S对PromptRE进行训练得到训练好的PromptRE，最后将待查询实例输入训练好的PromptRE，输出即为预测的待查询实例的关系标签。本发明方法引入了全局优化损和注意力损失，提高了预测的准确性。

公开(公告)号：CN115510333A

公开(公告)日：2022-12-23

申请号：CN202211176462.X

申请日：2022-09-26

Applicant: 重庆大学

Inventor： 曾骏 ,  赵翊竹 ,  朱泓宇 ,  高旻 ,  周魏 ,  文俊浩

IPC: G06F16/9536 ,  G06F16/9537

Abstract: 本发明涉及一种基于时空感知并结合局部和全局偏好的POI预测方法，包括如下步骤：S1：选用公开签入POIs数据集作为训练集，该训练集包括用户历史POI轨迹序列；S2：构建POI预测模型LGSA，LGSA包括局部特征模块、全局特征模块和特征融合模块；S3：利用局部特征模块和全局特征模块计算用户历史POI轨迹序列的Locu和Glou；S4：设置初始权重系数α，使用特征融合模块将Locu和Glou进行结合得到总偏好特征Cu；S5：利用总偏好特征Cu预测得到用户的下一个兴趣点。使用本发明模型可以进一步提高对POI预测的准确性。

公开(公告)号：CN114116692A

公开(公告)日：2022-03-01

申请号：CN202111299422.X

申请日：2021-11-04

Applicant: 重庆大学

Inventor： 曾骏 ,  赵翊竹 ,  朱泓宇 ,  文俊浩 ,  高旻

IPC: G06F16/215 ,  G06F16/2457 ,  G06F16/2458

Abstract: 本发明涉及一种基于mask和双向模型的缺失POI轨迹补全方法，包括如下步骤：选取公开数据集确认兴趣点POI的地点和时间标签；按时间对兴趣点进行排序，得到用户轨迹序列；采用MASK机制随机覆盖用户轨迹中若干个兴趣点得到不完整轨迹序列Sm；对Sm进行所需要求处理，得到相关向量Lu、P和将这三种向量矩阵进行想相加得到地点集嵌入矩阵In；构建双向网络模型，并通过损失函数训练该双向网络模型，最终得到训练好的双向网络模型。使用本方法可以更加有效的学习用户行为序列的表示，并且能够很准确的补全序列中缺失的POIs。