-
公开(公告)号：CN108376028B
公开(公告)日：2019-10-22
申请号：CN201810020304.2
申请日：2018-01-09
Applicant: 北京大学
Abstract: 本发明提供一种基于用户行为和系统状态预测移动设备电池续航的方法，包括以下步骤：提取会话，根据需要保留符合条件的会话作为基本单元；从这些会话中随机选取一时间点，作为预测时间点；然后提取从会话开始直至预测时间点范围内的用户使用行为数据及系统状态信息，从中整理、抽取特征信息并将其组成特征向量；构造训练集；选取回归模型，以每个会话的特征向量作为输入，以预测时间点之后的实际续航时间作为输出进行训练；得到训练模型后，将待预测的会话的相应数据同样进行特征提取，以构造的训练集作为输入，得到的输出作为对待预测会话的续航时间的预测。从而准确预测移动设备的电池续航时间。
-
公开(公告)号：CN105630503B
公开(公告)日：2018-08-21
申请号：CN201511000940.1
申请日：2015-12-28
Applicant: 北京大学
IPC: G06F8/20
CPC classification number: G06F9/44
Abstract: 本发明公开了一种基于用户操作记录的应用开发移动设备选取方法。本方法为：1)选取需要预测设备重要性的目标应用；2)若该目标应用的用户数据未达到设定条件，则进行步骤3)；如果达到设定条件，则根据该目标应用的用户操作记录确定使用该目标应用的各设备重要性，然后根据得到的重要性对各设备型号排序，然后进行步骤5)；3)在该目标应用所在的应用类别中，找到用户量最多的一组若干个应用；4)根据步骤3)所选应用的用户操作记录确定使用该目标应用的各设备重要性，然后根据得到的重要性对各设备型号排序；5)根据得到的排序选取若干设备作为目标应用的设备。本发明大大提高了应用的设备预测准确率。
-
公开(公告)号：CN109325112B
公开(公告)日：2019-08-20
申请号：CN201810678889.7
申请日：2018-06-27
Applicant: 北京大学
Abstract: 本发明涉及一种基于emoji的跨语言情感分析方法和装置。该方法包括：1)基于收集的大量源语言和目标语言的未标记文本创建词向量；2)基于词向量选出未标记文本中包含emoji的文本，通过包含emoji的文本建立emoji预测任务，从而获得句表征模型；3)将标记过情感极性的源语言语料翻译成目标语言，利用句表征模型得到原文本和翻译得到的文本的文档表征，然后利用文档表征训练情感分类模型；4)利用训练得到的情感分类模型，对目标语言的新文本进行情感分类，得到其情感极性。本发明使用在社交平台上易爬得的emoji文本来实现跨语言情感分析，能够缓解标记资源稀少、不同语言中标记资源不平衡的问题。
-
公开(公告)号：CN105630957B
公开(公告)日：2019-05-21
申请号：CN201510983204.6
申请日：2015-12-24
Applicant: 北京大学
IPC: G06F16/958 , G06F17/18 , G06Q10/04
Abstract: 本发明涉及一种基于用户管理应用行为的应用质量判别方法及系统。该方法包括：1)对用户的应用管理行为进行数据预处理，得到管理行为序列，作为训练集；2)利用得到的管理行为序列，对用户的应用管理行为进行特征抽取；3)利用抽取的行为特征建立多维自变量空间，每一个训练集中的应用被视作该空间当中的一个点，根据此空间进行模型训练，调试出最优的模型参数，得到一个确定的回归模型；4)将每一个待预测的应用的管理行为数据按照步骤1)和步骤2)进行整理，然后输入该回归模型，模型的输出即为对应用质量的判别结果。本发明能够更为有效地去除无关特征和发挥有关特征的质量表达能力，能够获得更为准确的应用质量评价结果。
-
公开(公告)号：CN109325112A
公开(公告)日：2019-02-12
申请号：CN201810678889.7
申请日：2018-06-27
Applicant: 北京大学
Abstract: 本发明涉及一种基于emoji的跨语言情感分析方法和装置。该方法包括：1)基于收集的大量源语言和目标语言的未标记文本创建词向量；2)基于词向量选出未标记文本中包含emoji的文本，通过包含emoji的文本建立emoji预测任务，从而获得句表征模型；3)将标记过情感极性的源语言语料翻译成目标语言，利用句表征模型得到原文本和翻译得到的文本的文档表征，然后利用文档表征训练情感分类模型；4)利用训练得到的情感分类模型，对目标语言的新文本进行情感分类，得到其情感极性。本发明使用在社交平台上易爬得的emoji文本来实现跨语言情感分析，能够缓解标记资源稀少、不同语言中标记资源不平衡的问题。
-
Patent Agency Ranking
公开(公告)号：CN108376028A
公开(公告)日：2018-08-07
申请号：CN201810020304.2
申请日：2018-01-09
Applicant: 北京大学
Abstract: 本发明提供一种基于用户行为和系统状态预测移动设备电池续航的方法，包括以下步骤：提取会话，根据需要保留符合条件的会话作为基本单元；从这些会话中随机选取一时间点，作为预测时间点；然后提取从会话开始直至预测时间点范围内的用户使用行为数据及系统状态信息，从中整理、抽取特征信息并将其组成特征向量；构造训练集；选取回归模型，以每个会话的特征向量作为输入，以预测时间点之后的实际续航时间作为输出进行训练；得到训练模型后，将待预测的会话的相应数据同样进行特征提取，以构造的训练集作为输入，得到的输出作为对待预测会话的续航时间的预测。从而准确预测移动设备的电池续航时间。
-
公开(公告)号：CN105630503A
公开(公告)日：2016-06-01
申请号：CN201511000940.1
申请日：2015-12-28
Applicant: 北京大学
IPC: G06F9/44
Abstract: 本发明公开了一种基于用户操作记录的应用开发移动设备选取方法。本方法为：1)选取需要预测设备重要性的目标应用；2)若该目标应用的用户数据未达到设定条件，则进行步骤3)；如果达到设定条件，则根据该目标应用的用户操作记录确定使用该目标应用的各设备重要性，然后根据得到的重要性对各设备型号排序，然后进行步骤5)；3)在该目标应用所在的应用类别中，找到用户量最多的一组若干个应用；4)根据步骤3)所选应用的用户操作记录确定使用该目标应用的各设备重要性，然后根据得到的重要性对各设备型号排序；5)根据得到的排序选取若干设备作为目标应用的设备。本发明大大提高了应用的设备预测准确率。
-
公开(公告)号：CN110706015B
公开(公告)日：2023-06-13
申请号：CN201910775155.5
申请日：2019-08-21
Applicant: 北京大学(天津滨海)新一代信息技术研究院
IPC: G06Q30/0242
Abstract: 本发明公开了一种面向广告点击率预测的特征选取方法，包括：步骤(1)构造特征集；步骤(2)对特征集的所有特征进行评估，筛选并标记所有无益特征，并将对模型影响最大的无益特征从特征集中删除，再更新特征集；步骤(3)对无益特征进行评估，筛选并标记该次评估产生的新无益特征，将对模型影响最大的新无益特征删除，再次更新特征集；若未产生新无益特征，则停止操作，得到的特征集为有效特征集；若产生新无益特征，则迭代执行步骤(3)，直至未产生新无益特征。本发明采用双向式特征选择方式对特征集进行选择筛选，降低了迭代次数，不需再对特征全集进行迭代，能得到较大的模型提升效果，特征选择工程时间复杂度低，工作效率高。
-
公开(公告)号：CN110689368B
公开(公告)日：2022-07-19
申请号：CN201910780066.X
申请日：2019-08-22
Applicant: 北京大学(天津滨海)新一代信息技术研究院
IPC: G06Q30/02
Abstract: 本发明公开了一种移动应用内广告点击率预测系统设计方法，包括：对广告数据进行集成、清洗和变换的预处理；利用预处理后的广告数据生成特征并构造特征全集；针对所述特征全集进行有效特征选取，选出有效特征集；利用所述有效特征集对广告点击率预测模型进行训练。本发明实施例提供的移动应用内广告点击率预测方法，对广告数据中的长尾数据按照相似性进行归类，按照数据取值频次进行归类，克服了现有技术无法有效利用隐含在长尾数据中的信息的缺陷，充分利用了长尾数据中的信息提升了预测效果。
-
公开(公告)号：CN105630957A
公开(公告)日：2016-06-01
申请号：CN201510983204.6
申请日：2015-12-24
Applicant: 北京大学
Abstract: 本发明涉及一种基于用户管理应用行为的应用质量判别方法及系统。该方法包括：1)对用户的应用管理行为进行数据预处理，得到管理行为序列，作为训练集；2)利用得到的管理行为序列，对用户的应用管理行为进行特征抽取；3)利用抽取的行为特征建立多维自变量空间，每一个训练集中的应用被视作该空间当中的一个点，根据此空间进行模型训练，调试出最优的模型参数，得到一个确定的回归模型；4)将每一个待预测的应用的管理行为数据按照步骤1)和步骤2)进行整理，然后输入该回归模型，模型的输出即为对应用质量的判别结果。本发明能够更为有效地去除无关特征和发挥有关特征的质量表达能力，能够获得更为准确的应用质量评价结果。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.021 seconds)
