-
公开(公告)号：CN112148875A
公开(公告)日：2020-12-29
申请号：CN202010768194.5
申请日：2020-08-03
Applicant: 杭州中科睿鉴科技有限公司 , 中国科学院计算技术研究所数字经济产业研究院
Abstract: 本发明涉及一种基于图卷积神经网络整合内容和结构信息的争议性检测方法。本发明的目的是提供一种基于图卷积神经网络整合内容和结构信息的争议性检测方法。本发明的技术方案是一种基于图卷积神经网络整合内容和结构信息的争议性检测方法，其特征在于：建立“话题‑帖子‑评论”图，图中评论连接到该评论回复的评论/帖子上，帖子连接到该帖子属于的话题上；根据“话题‑帖子‑评论”图中话题节点、帖子节点和评论节点的文本获取相应节点的初始表达向量；使用图卷积神经网络学习“话题‑帖子‑评论”图中节点的表达；根据帖子节点和相应评论节点的平均表达进行争议性分类。本发明适用于社交媒体平台争议性检测领域。
-
公开(公告)号：CN111832406A
公开(公告)日：2020-10-27
申请号：CN202010508103.4
申请日：2020-06-05
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出的基于平衡分组Softmax的长尾目标检测方法与系统，该方法在网络结构上，改变网络的最后一个全连接层，对拥有不同训练样本数量的类别进行分组，将背景类别单独分为一组，在每组中都加入其它类别；在训练过程中，按照组内普通类别训练样本数量采样一定数量的其它类别样本进行训练，并在每个组内分别用Softmax函数激活并计算交叉熵损失；在测试过程中，在每个组内分别用Softmax函数激活，去掉组内其它类别，仅保留正常类别得分，用背景组的“其它”类别得分为所有正常类别加权，组成最终得分，用于后处理。该发明提升了在大规模长尾目标数据集上的目标检测以及实例分割性能。
-
公开(公告)号：CN110647382A
公开(公告)日：2020-01-03
申请号：CN201910885221.4
申请日：2019-09-19
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种车联网服务动态迁移方法，充分考虑移动速度对迁移决策的影响，建立移动速度与服务迁移的好处和成本的关系模型，设计动态的迁移机制，根据车辆的移动速度进行迁移成本和服务QoS的动态均衡。与现有技术相比，本发明根据车辆移动速度进行动态迁移策略设计，有效增加运营商收益且能够更好的保障业务的QoS；充分考虑车辆的移动速度和业务的迁移时间，保障业务被迁移到当迁移完成时距离用户最近的MEC服务器，与现有技术相比，有效增加迁移收益。
-
公开(公告)号：CN110210016A
公开(公告)日：2019-09-06
申请号：CN201910341056.6
申请日：2019-04-25
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于风格引导的双线性神经网络虚假新闻检测方法及系统，包括：获取待网络虚假新闻检测的新闻文本，通过神经网络量化该新闻文本的语言风格特征，得到该新闻文本的风格向量，将该新闻文本输入文本特征提取器，得到该新闻文本的文本向量；将该风格向量和该文本向量输入双线性神经网络，该双线性神经网络包括双线性函数，用于建模该风格向量和该文本向量之间的相关性，以得到该新闻文本的的风格-文本特征矩阵，使用该风格-文本特征矩阵中最大分数向量组成引导向量，并将该引导向量输入至全连接层，判定该新闻文本的虚假新闻标签。本发明依据虚假新闻共性的语言风格来引导深度学习模型的学习过程，提升了模型的识别准确度与泛化性能。
-
公开(公告)号：CN110019812A
公开(公告)日：2019-07-16
申请号：CN201810164771.2
申请日：2018-02-27
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种用户自生产内容检测方法和系统，包括：获取社交媒体中用户自生产内容的文本内容、图像内容和社交属性，并从文本内容中抽取词向量特征，从社交属性中抽取社交属性特征以及从图像内容中抽取图像特征；通过递归神经网络融合词向量特征和社交属性特征，得到文本、社交融合特征；根据递归神经网络得到注意力向量，并通过注意力机制将图像特征处理为注意力融合特征，将注意力融合特征与文本、社交融合特征相融合，生成多模态融合特征；利用多模态融合特征训练分类器，以检测社交媒体中指定的用户自生产内容。本发明通过深度神经网络，融合内容检测涉及的多种模态内容，能够全面地进行用户自生产内容检测，得到更加准确的检测结果。
-
Patent Agency Ranking
公开(公告)号：CN109034198A
公开(公告)日：2018-12-18
申请号：CN201810664250.3
申请日：2018-06-25
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
Abstract: 本发明涉及一种基于特征图恢复的场景分割方法和系统，包括对原始图像进行降采样，得到降采样图像，通过特征学习网络得到该降采样图像的降采样特征图，将该降采样特征图的尺寸恢复为原始图像尺寸，得到上采样特征图，将该上采样特征图输入场景分割网络，得到该原始图像的场景分割结果。本发明利用降采样输入图像可以获得的较快的分割速度；利用原始大小输入图像可以获得的较高的分割精度。此外，本发明还提出了辅助中间层监督和边境区域重加权的方法辅助场景分割神经网络模型的优化过程，从而在保持模型加速的前提下提升加速后模型的分割精度。
-
公开(公告)号：CN104735138B
公开(公告)日：2018-01-09
申请号：CN201510102980.0
申请日：2015-03-09
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种面向用户生成内容的分布式采集方法，包括：1)根据采集页面的采集量和采集难度划分页面类型，基于页面类型构建采集任务并将其加入采集队列；其中，所述采集任务包括复合采集任务，所述复合采集任务根据采集量和采集难度将多个同类型的采集页面划入；2)并发地从所述采集任务队列取出采集任务，执行该采集任务并返回所采集的信息。本发明还提供了相应的分布式采集系统，包括主控节点和多个子节点，主控节点用于构建并维护采集任务队列；各个所述子节点用于并发地执行采集任务。本发明的采集速度快，显著地提高了UGC新闻采集的实时性；可以适用于各种不同类型页面的采集，执行多样化的采集任务；能够规避采集对象的监控措施。
-
公开(公告)号：CN106484733A
公开(公告)日：2017-03-08
申请号：CN201510550175.4
申请日：2015-09-01
Applicant: 中国科学院计算技术研究所
IPC: G06F17/30
CPC classification number: G06F16/9535 , G06F16/951
Abstract: 本申请公开一种新闻线索个性化推送方法及系统，该方法包括：步骤1，创建新闻线索领域的标签，为每个新闻线索领域分别训练一个新闻线索分类模型，使用所述新闻线索分类模型来对新闻线索候选集中的每条新闻线索进行分类，并存入对应领域的新闻线索集；步骤2，基于线索热度、时效性、和可信度建立新闻线索评分模型来对每个所述线索集中的每条新闻线索进行评分，选择得分最高的N条线索作为待推荐线索；步骤3，由用户从所述标签中选择自己感兴趣的新闻线索领域，然后将对应于所选兴趣领域的待推荐线索推送给用户。由此，能够根据用户群特点快速准确的从候选新闻线索集中找到用户需要的有价值的线索并进行推送。
-
公开(公告)号：CN101739294B
公开(公告)日：2014-08-06
申请号：CN200910244005.8
申请日：2009-12-24
Applicant: 中国科学院计算技术研究所
Abstract: 本发明公开了一种基于规则的分布式推理方法及系统。该方法包括下列步骤：A.服务器接收推理任务，访问服务器上的知识库，判断所述推理任务中的推理步所需要的知识是否存储在所述知识库中，若是，则在服务器上获取所述推理步的取值并执行所述推理步；否则，执行步骤B；B.发生推理步迁移。服务器中断运行涉及所述推理步的推理，并记忆中断的所述推理步的信息，将所述推理步的推理任务下传给具有所述推理步所需要的知识的终端；C.终端接收并执行服务器下传的所述推理步的推理任务，并将下传的所述推理步的推理任务的推理结果上传给所述服务器。本发明能够充分利用终端的计算能力和资源，同时保护了在终端上存储的推理知识不被服务器获知。
-
公开(公告)号：CN102609441B
公开(公告)日：2014-06-25
申请号：CN201110443604.X
申请日：2011-12-27
Applicant: 中国科学院计算技术研究所
IPC: G06F17/30
Abstract: 本发明提供了基于分布熵的局部敏感哈希高维索引方法。该方法首先生成局部敏感哈希函数候选集合。接着，根据训练数据集，计算局部敏感哈希函数候选集合中每个哈希函数的分布熵值，并从中选取分布熵值最高的L个哈希函数作为局部敏感哈希函数集合。然后，基于该局部敏感哈希函数集合，将待索引数据集存储到哈希表中。还可以采用基于三角不等式过滤和欧氏距离排序的查询算法查询上述哈希表，得到与查询数据相似的结果集。该方法通过选择分布熵值高的哈希函数，更好地适应了数据的分布，从而优化了哈希表索引结构，减小了索引的内存消耗，同时使得查询更加准确和高效。
-
-
-
-
-
-
-
-
-
Search Results
217
records
(took 0.108 seconds)
