-
公开(公告)号：CN118966210B
公开(公告)日：2025-03-07
申请号：CN202411446984.6
申请日：2024-10-16
Applicant: 北京计算机技术及应用研究所
IPC: G06F40/284 , G06F40/216 , G06F40/295 , G06N3/0455 , G06N3/0475 , G06N3/096 , G06F18/214 , G06F18/22
Abstract: 本发明涉及一种基于迁移学习的自适应文档选择摘要生成方法，属于人工智能领域。本发明为解决人工智能辅助档案编研的问题，利用基于词分布的文档选择方法和基于摘要趋势的文档选择方法对源文档和档案的少量训练文档进行过滤，筛选出训练数据训练第一词向量生成器，得到基础摘要生成模型；通过自适应文档选择方法对源文档和测试文档进行筛选，根据测试文档的特征，选择出与之相关性强的源文档训练第二词向量生成器，优化基础摘要生成模型，构建定制摘要生成模型，更为精准地满足具体档案类别的需求。本发明能实现摘要自动生成，促进档案智能化，能去除档案负迁移，增加摘要相关性，能实现摘要定制化，提高摘要准确性。
-
Patent Agency Ranking
公开(公告)号：CN118966210A
公开(公告)日：2024-11-15
申请号：CN202411446984.6
申请日：2024-10-16
Applicant: 北京计算机技术及应用研究所
IPC: G06F40/284 , G06F40/216 , G06F40/295 , G06N3/0455 , G06N3/0475 , G06N3/096 , G06F18/214 , G06F18/22
Abstract: 本发明涉及一种基于迁移学习的自适应文档选择摘要生成方法，属于人工智能领域。本发明为解决人工智能辅助档案编研的问题，利用基于词分布的文档选择方法和基于摘要趋势的文档选择方法对源文档和档案的少量训练文档进行过滤，筛选出训练数据训练第一词向量生成器，得到基础摘要生成模型；通过自适应文档选择方法对源文档和测试文档进行筛选，根据测试文档的特征，选择出与之相关性强的源文档训练第二词向量生成器，优化基础摘要生成模型，构建定制摘要生成模型，更为精准地满足具体档案类别的需求。本发明能实现摘要自动生成，促进档案智能化，能去除档案负迁移，增加摘要相关性，能实现摘要定制化，提高摘要准确性。
-
公开(公告)号：CN116991384A
公开(公告)日：2023-11-03
申请号：CN202310881549.5
申请日：2023-07-18
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种即时渲染图形界面开发框架设计方法，属于计算机软件领域。本发明的开发框架简化了界面开发过程中的状态同步和用户端的状态存储工作、最大程度地减少了开发者的设置和维护工作，开发者使用该框架可以用少量的代码轻松创建反应数据集变化地动态UI、实时3D应用程序、全屏应用程序等等，框架对系统地环境依赖极小，相比于传统地界面开发技术具有更为优秀地性能表现。
-
公开(公告)号：CN115729674A
公开(公告)日：2023-03-03
申请号：CN202211457274.4
申请日：2022-11-21
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明涉及一种基于容器的负载迁移系统设计方法，属于计算机软件领域。本发明将终端应用软件中的相关任务代码拆分成单独模块，封装为网络服务最后部署到Docker容器当中启动，当终端应用软件执行相应任务时只需将输入数据通过网络传输给容器，容器内的网络服务执行任务后返回结果。相较于基于虚拟机的负载迁移系统，本发明提供的负载迁移系统的设计方法具有对服务器磁盘空间，CPU以及内存等资源的占用更小、终端在进行负载迁移的准备过程更加简单、负载迁移过程中网络传输的数据更少以及对网络带宽要求更低等优点。
-
公开(公告)号：CN119026601A
公开(公告)日：2024-11-26
申请号：CN202411515203.4
申请日：2024-10-29
Applicant: 北京计算机技术及应用研究所
IPC: G06F40/295 , G06F40/284 , G06F40/30 , G06N3/0442 , G06N3/08 , G06F16/35 , G06F18/10 , G06F18/241
Abstract: 本发明涉及一种基于改进LSTM语义建模的档案关键要素识别与分类方法，属于人工智能领域。本发明为解决当前档案数字化加工中存在的分类精度不足、要素提取效率低下的问题，采用LSTM模型的多层次结构捕捉文本中的局部与长距离语义特征，使得复杂档案内容的理解更加全面；采用自适应学习机制根据不同档案类型动态调整记忆单元的权重，确保在面对不同语义结构时，关键要素识别的精度保持在高水平；结合上下文感知的记忆与遗忘机制，模型在识别关键要素时能够减少噪音干扰，进一步提高分类的准确性。本发明不仅能够应对多样化、复杂化的档案内容，还能在处理大量数据时保持高效运行，极大地提高了档案数字化加工的质量和效率。
-
公开(公告)号：CN118964703A
公开(公告)日：2024-11-15
申请号：CN202411433979.1
申请日：2024-10-15
Applicant: 北京计算机技术及应用研究所
IPC: G06F16/906 , G06F16/33 , G06F16/35 , G06F16/903 , G06F18/23 , G06F18/24
Abstract: 本发明涉及一种基于改进的BIRCH算法的数字档案分类系统，属于计算机软件领域。本发明为解决传统档案管理系统在面对海量档案数据时，分类实时性不足、分类标准难以适应动态变化以及大规模数据处理效率低下等问题，通过引入在线聚类机制，在新数据输入时实时更新聚类结果，无需重新扫描整个数据集。本发明改进了BIRCH算法的聚类特征树（CF树）更新策略，BIRCH算法进行一次全文扫描，将扫描结果生成的CF树保存以便后续使用，从而有效地对新输入的数字档案进行分类。与传统方法相比，这种优化不仅提高了系统的扩展性，还显著减少了计算资源的消耗，提升了分类的实时性。
-
-
-
-
-
Search Results
6
records
(took 0.032 seconds)
