-
公开(公告)号：CN112966763B
公开(公告)日：2023-12-26
申请号：CN202110285723.0
申请日：2021-03-17
Applicant: 北京邮电大学
IPC: G06F18/241 , G06F18/22 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本申请实施例提供的一种分类模型的训练方法、装置、电子设备及存储介质，应用于信息技术领域，通过根据样本异质图生成样本异质图提取语义图并生成关系子图，根据关系子图得到待分类目标的分类结果，并计算当前损失，根据当前损失对待训练的异质图结构学习网络和待训练的图神经网络的参数同时进行调整，从而可以提高模型训练的效率。
-
公开(公告)号：CN111815415B
公开(公告)日：2023-10-27
申请号：CN202010675073.6
申请日：2020-07-14
Applicant: 北京邮电大学
IPC: G06Q30/0601 , G06Q30/0202 , G06Q30/0201
Abstract: 本发明实施例提供了一种商品推荐方法、系统及设备，涉及计算机应用技术领域，其中，方法可以包括：获取用户的历史交互行为信息；历史交互行为信息包括用户在历史时间内与商品的交互行为；基于历史交互行为信息，结合用户习惯对用户需求的影响以及不同交互行为之间的影响，确定用户的用户特征信息；确定多个商品的商品特征信息；将用户特征信息和多个商品的商品特征信息输入预先训练好的预测模型，得到用户分别与各个商品的交互概率；交互概率表示用户选择与商品交互的概率；基于交互概率为用户推荐商品。通过本发明实施例提供的商品推荐方法、系统及设备，能够提高推荐的准确性。
-
公开(公告)号：CN112468324B
公开(公告)日：2023-04-07
申请号：CN202011257060.3
申请日：2020-11-11
Applicant: 国网冀北电力有限公司信息通信分公司 , 北京邮电大学 , 国家电网有限公司
Inventor： 刘超 , 郝燕如 , 肖丁 , 石川 , 莫爽 , 彭柏 , 王艺霏 , 来骥 , 李信 , 张玙璠 , 马铭君 , 吴文睿 , 马跃 , 张少军 , 王东升 , 娄竞 , 于然 , 金燊 , 许大卫 , 万莹 , 聂正璞 , 李坚 , 李贤 , 孟德 , 常海娇 , 陈重韬 , 寇晓溪 , 尚芳剑 , 纪雨彤 , 赵阳 , 辛霆麟 , 李硕 , 张实君 , 王海峰
IPC: H04L41/12 , H04L41/14 , H04L43/026 , G06N3/092 , G06N3/045 , G06F18/241
Abstract: 本发明实施例提供了一种基于图卷积神经网络的加密流量分类方法及装置，将待分类应用的加密流量数据拆分为多个流，并获取每个流的统计信息；其中，所述统计信息用于表明所述流的传输情况；将所获取的统计信息转换为图嵌入，作为流的嵌入；利用异质图卷积神经网络，获取所述待分类应用对应的通信图的嵌入；利用同质图卷积神经网络，获取所述待分类应用对应的流图的嵌入；基于所述流的嵌入，所述通信图的嵌入以及所述流图的嵌入，利用分类模型，获得所述待分类应用的分类结果。本方案可以实现对加密流量的分类。
-
公开(公告)号：CN111814048B
公开(公告)日：2023-01-17
申请号：CN202010636805.0
申请日：2020-07-03
Applicant: 北京邮电大学
IPC: G06F16/9535
Abstract: 本发明实施例提供了一种信息推荐方法及装置，所述方法包括：获取待推荐二部图的拓扑信息、待推荐二部图中每个用户节点对应的用户信息及待推荐二部图中每个信息节点对应的内容信息；将拓扑信息、用户信息及内容信息输入信息推荐模型，确定每个用户节点对应的用户向量和每个信息节点对应的信息向量；基于用户向量表示的兴趣偏好、信息向量表示的内容特点及信息向量表示的语义信息，确定每个用户节点所表示的用户浏览候选信息节点所表示的信息的概率，作为预测概率；基于预测概率，向二部图中的每个用户节点所表示的用户推荐与该用户节点不存在历史浏览关系的信息节点所表示的信息。应用本发明实施例，可以更加准确地向用户推荐用户感兴趣的信息。
-
公开(公告)号：CN111931045B
公开(公告)日：2022-11-25
申请号：CN202010748668.X
申请日：2020-07-30
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06F40/30 , G06N20/00
Abstract: 本发明实施例提供了一种基于元学习的异质信息网络冷启动推荐方法及装置，其中方法包括：获取第一节点信息以及各第二节点信息，得到第一节点对应的第一特征向量和各第二节点各自对应的第一特征向量；将第一节点对应的第一特征向量和各第二节点各自对应的第一特征向量，分别输入预先训练好的元学习模型中，通过聚合上下文语义得到第一节点对应的第二特征向量和各第二节点各自对应的第二特征向量；计算第一节点对应的第二特征向量与各第二节点各自对应的第二特征向量之间的相似度；基于各相似度，确定向第一节点推荐的目标第二节点。本发明实施例，能够提高异质信息网络冷启动推荐结果的准确度。
-
Patent Agency Ranking
公开(公告)号：CN110704626B
公开(公告)日：2022-07-22
申请号：CN201910945503.9
申请日：2019-09-30
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种用于短文本的分类方法及装置，该方法在对待分类短文本进行分类时，根据从待分类短文本中获取的实体和所述主题分别与待分类短文本的所属关系，构建文本异质图，并将构建的文本异质图输入至预设的文本分类模型中，得到所述待分类短文本的分类结果，应用本发明实施例构建的文本异质图能够捕捉待分类短文本中的语义关系，且对异质图卷积神经网络训练时无需太多的标注数据，使得训练后的文本分类模型对短文本分类时的准确率更高，可见，应用本实施例提供的方法能够提高对短文本分类的准确率。
-
公开(公告)号：CN114565081A
公开(公告)日：2022-05-31
申请号：CN202210193392.2
申请日：2022-03-01
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于图结构数据的端到端无数据对抗性知识抽取方法，用于模型压缩。本发明采用了产生式对抗性网络，该网络主要由三部分组成：将预先训练的教师模型和学生模型视为两个鉴别器，并利用生成器生成训练图，将教师模型中的知识提取到学生模型中。在不同的基准模型和6个代表性数据集上的大量实验表明，本发明的方法在图形分类任务上明显超过了最新的无数据基线。在没有任何实际数据的情况下，本发明成功地减少了误差，得到了一个性能相对较好的学生模型，可以有效地应用于不同的网络体系结构。本发明的方法是第一个提出有效的、端到端的无数据的图知识蒸馏框架，为今后的研究工作奠定了坚实的基础。
-
公开(公告)号：CN114266353A
公开(公告)日：2022-04-01
申请号：CN202111589057.6
申请日：2021-12-23
Applicant: 北京邮电大学
IPC: G06N3/08 , G06N3/04 , G06F16/9536 , G06Q30/02
Abstract: 本发明公开了一种基于图神经网络的协同过滤模型设计方法，首先提出了一个统一的基于图神经网络的协同过滤模型设计框架，在这个框架之上，我们定义了一个设计空间，并通过大量的实验来评估它，获得了有趣的发现，为模型设计提供了见解。在这些见解的指导下，本发明对原设计空间进行了压缩，以获得一个紧凑的空间，其中包含更高浓度的高性能模型。实验表明，压缩后的设计空间具有较高的质量和较强的泛化能力。本发明首次尝试对基于图神经网络的协同过滤设计空间进行了剖析，这不仅加深了领域学者对模型不同设计维度的理解，也为推荐场景下的图神经网络方法设计提供了一种新的范式。
-
公开(公告)号：CN113723008A
公开(公告)日：2021-11-30
申请号：CN202111050120.9
申请日：2021-09-08
Applicant: 北京邮电大学
IPC: G06F30/27 , G06F111/04 , G06F111/08
Abstract: 本发明公开了一种基于几何非纠缠变分自动编码器学习几何解耦表示的方法，首次尝试学习几何解耦表示，并提出了一个几何解耦变分自动编码器模型(GDVAE)，将不同几何空间中的分离表示投影到一个共享的潜在空间中，从而可以利用一个通用的度量来计算接近度，可以学习不同几何特征下的特征，结合不同几何以获得更为有效的特征表示，并通过实验结果证明了所提出的GDVAE模型的有效性。
-
公开(公告)号：CN112861936A
公开(公告)日：2021-05-28
申请号：CN202110102108.1
申请日：2021-01-26
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于图神经网络知识蒸馏的图节点分类方法及装置，将所述学生模型得到的第二预测结果，拟合所述教师模型得到的第一预测结果，通过使用教师模型的第一预测结果优化学生模型的，不需要教师模型和学生模型之间的集成或迭代，也能够提高分类精度，简化了优化学生模型的过程；学生模型采用标签传播公式，通过有标签的节点传播到相邻无标签的节点，可以从图结构的先验知识中受益；也通过特征变换公式，预测无标签点集的软标签，可以从特征的先验知识中受益，即数据集中具有硬标签的点集及无标签点集的特征。从而充分的使用先验知识，提高学生模型的分类效果，从而提高分类精度。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.035 seconds)
