-
公开(公告)号：CN115700546A
公开(公告)日：2023-02-07
申请号：CN202211136771.4
申请日：2022-09-19
Applicant: 中国科学技术大学
IPC: G06F18/21 , G06F18/2415 , G06V10/764 , G06V10/776 , G06V10/778 , G06V10/82 , G06F16/35 , G06N5/046 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/047 , G06N3/048
Abstract: 本发明公开了一种基于因果的模型双重检查方法、系统、设备及存储介质，可以准确的评估模型推理结果(分类预测结果)是否可靠，同时，在认定推理结果不可靠时，可以结合评估出的一致性结果对模型的推理结果进行有效进行修正，本发明对于各种分类模型均有效，且对干扰的鲁棒性更强。
-
公开(公告)号：CN115688907A
公开(公告)日：2023-02-03
申请号：CN202211713010.0
申请日：2022-12-30
Applicant: 中国科学技术大学
IPC: G06N3/08 , G06N3/042 , G06F16/9536
Abstract: 本发明提供了一种基于图传播的推荐模型训练方法及基于图传播的推荐方法，可以应用于计算机技术领域、图学习技术领域以及数据挖掘技术领域。该方法包括：获取用于表征用户与物品之间交互关系的二分图；对二分图进行图传播，得到传播矩阵；从传播矩阵中确定大于或者等于第一预设阈值的第一传播权重，其中，传播矩阵包括多个传播权重，传播权重表征用户与物品之间的交互频率；根据第一传播权重，确定第一正样本，其中，第一正样本包括与第一传播权重相对应的第一用户标识信息和第一物品标识信息；根据传播矩阵中小于第一预设阈值的第二传播权重，确定第一负样本；利用第一正样本和第一负样本训练深度学习模型，得到推荐模型。
-
公开(公告)号：CN113158024B
公开(公告)日：2022-07-15
申请号：CN202110218946.5
申请日：2021-02-26
Applicant: 中国科学技术大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明公开了一种纠正推荐系统流行度偏差的因果推理方法，包括：获取当前推荐系统中用户与物品的匹配得分；根据物品的受欢迎程度预测物品得分、以及根据用户的偏好预测用户得分；聚合用户与物品的匹配得分、物品得分以及用户得分，预测出用户与物品匹配分数，再去除流行度偏差造成的影响，得到用户与物品的最终匹配分数。本发明提供的方法是一种模型无关的反事实推理框架，可以适用于各类推荐系统，通过消除流行度偏差，提升推荐系统的推荐性能，可以为用户提供更加优质，准确的个性化推荐内容。
-
公开(公告)号：CN113989574A
公开(公告)日：2022-01-28
申请号：CN202111302929.6
申请日：2021-11-04
Applicant: 中国科学技术大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开提供了一种图像解释方法，包括：获取待处理图像以及与待处理图像对应的预测结果，其中，待处理图像包括待处理图数据，待处理图数据为基于待处理图像的图结构的数据，待处理图数据包括节点和边，节点表征实体，节点与节点之间的边表征实体之间的关系；将待处理图像和预测结果输入预先训练完成的图像解释模型，得到第一解释结果，其中，第一解释结果包括多个解释类别，第一解释结果中节点和边的数量均小于待处理图数据中节点和边的数量；以及基于第一解释结果，利用预先训练完成的图像调整模型，输出目标解释结果，其中，目标解释结果中节点和边的数量均小于第一解释结果中节点和边的数量。
-
公开(公告)号：CN113987358A
公开(公告)日：2022-01-28
申请号：CN202111346460.6
申请日：2021-11-15
Applicant: 中国科学技术大学
IPC: G06F16/9535 , G06N20/00 , G06Q30/02
Abstract: 本发明公开了一种推荐模型的训练方法，包括：获取训练样本数据，其中，训练样本数据包括用户‑物品对，用户‑物品对包括用户信息、物品信息以及用户和物品的交互信息；构建基于交叉配对排序算法的推荐模型并初始化推荐模型的参数；利用推荐模型处理训练样本数据，根据无偏性的损失函数优化推荐模型的参数，获得训练完成的推荐模型。本发明还公开了一种无偏性的推荐方法、无偏性的推荐系统、电子设备及计算机程序产品。
-
Patent Agency Ranking
公开(公告)号：CN113407861A
公开(公告)日：2021-09-17
申请号：CN202110547821.7
申请日：2021-05-19
Applicant: 中国科学技术大学
IPC: G06F16/9536 , G06Q50/00 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于去中心化图神经网络的社交推荐方法，包括：利用统计信息将原始交互图处理为去中心化图，所述中心化图中包含了去中心化的用户‑物品交互图与物品‑用户交互图、以及用户之间的社交关系强度；通过GNN协同过滤模型，利用去中心化的用户‑物品交互图与物品‑用户交互图各自进行用户建模与物品建模，以及利用用户之间的社交关系强度进行社交建模，并利用建模获得的用户的表示向量、物品的表示向量及用户的社交用户表示向量集合，预测用户对物品的评分；根据用户对物品的评分大小，生成物品的推荐列表。该方法可以为目标用户提供更加优质、准确的个性化推荐物品。
-
公开(公告)号：CN113326443A
公开(公告)日：2021-08-31
申请号：CN202110587163.4
申请日：2021-05-27
Applicant: 中国科学技术大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种高效的图卷积神经网络重训练方法，包括：对于上一时刻已经训练好的图卷积神经网络，获取每个节点历史时刻总的积累度；对于每个节点，利用其邻接节点历史时刻总的积累度，计算能够概括历史数据中知识的各节点表征表示；再利用当前时刻收集到的新数据构建增量图，结合增量图以及各节点表征表示，采用增量图卷积操作更新图卷积神经网络的参数。该方法利用图卷积神经网络自身的邻居聚合机制，直接从旧模型参数中提取旧知识，在只使用新数据的条件下精确、高效地完成重训练任务，该方法使得重训练模型的成本大大降低，模型性能比较原始的重训练方法显著提高。
-
公开(公告)号：CN113077057A
公开(公告)日：2021-07-06
申请号：CN202110424290.2
申请日：2021-04-20
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种无偏机器学习方法，包括：根据机器学习模型建模场景类别，收集相应类别的符合真实世界分布的技术数据作为无偏集，并收集相应类别的有偏的技术数据作为训练集；采用双层优化方式对机器学习模型进行训练：内层优化时，基于当前的去偏参数利用训练集更新模型参数；外层优化时，利用无偏集指导机器学习模型中的去偏参数的优化，优化目的是寻找最优的去偏参数，使得利用最优的去偏参数结合内层优化时得到模型参数在无偏集中得到最优性能。该方法：1)可以同时解决多种偏差；2)能够自动学习去偏参数，一方面将人从配置参数的劳动中解放出来，另一方面能够使模型自动地学习去偏参数，挖掘不易被人察觉的模式。
-
公开(公告)号：CN112465593A
公开(公告)日：2021-03-09
申请号：CN202011354019.8
申请日：2020-11-27
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种通过图神经网络实现时尚套装推荐的方法，包括：构建包含用户节点、套装节点、单品节点的网络结构，初始化各个节点的向量表示，并利用连边构建不同节点之间的关系；利用单品的分类，实现单品中之间的信息传递，使得每个单品都包含与其他单品之间的搭配信息，进而实现单品节点向量表示的更新；利用更新后的若干单品节点向量表示来更新套装节点向量表示；利用更新后的套装节点向量表示来更新用户节点向量表示，并利用更新后的用户节点向量表示与套装节点向量表示，计算用户对各套装的喜好分数；根据喜好分数大小对套装进行排序，从而推荐给相应用户。该方法能够有效地对用户、套装和单品之间复杂的交互信息进行建模，提升推荐性能。
-
公开(公告)号：CN119692570B
公开(公告)日：2025-05-13
申请号：CN202510206678.3
申请日：2025-02-25
Applicant: 中国科学技术大学
IPC: G06Q10/04 , G06Q10/063 , G06Q10/0635
Abstract: 本发明公开了一种面向区域产业网络演化的分析方法、系统及相关设备，所述分析方法包括：构建面向特定区域产业网络演化分析的企业信息数据库；基于企业信息数据库，依次提取出区域内不同行业的企业增长时序数据，构建区域分行业的增长态势预测模型，以预测特定区域未来不同行业企业增长量；基于企业信息数据库构建企业关系网络，去除高消亡风险的企业，基于剩余的产业网络的节点和关系，通过链路预测方法预测剩余节点之间的潜在关系，结合不同行业企业增长量实现产业网络演化预测。采用时序相似性来改进产业发展趋势预测模型，既能有效降低短时预测的误差，又能保证对长期增长趋势的预测；采用了多个维度的企业相关数据，分析结果更为科学。
-
-
-
-
-
-
-
-
-
Search Results
128
records
(took 0.03 seconds)
