-
公开(公告)号：CN111539528B
公开(公告)日：2023-04-07
申请号：CN202010355445.7
申请日：2020-04-29
Applicant: 中国科学技术大学
IPC: G06N5/025 , G06N3/0442 , G06N3/08
Abstract: 一种基于异构结构的知识追踪方法，包括以下步骤：获取学生的练习历史日志，以及每道习题考察的知识点；获取知识点之间关系构成的异构知识结构；将学生的成绩日志处理为若干按照时间顺序排列的作答序列，每个作答序列包括特定学生在特定时间的一系列答题结果；基于知识所具有的图结构性质，应用两个不同的传播模型来追踪沿不同关系的影响，包括同步传播方法和异步传播方法；采用级联影响传播单元对模型的时间效果和空间效果进行联合建立模型，将异构知识结构和学生的作答序列作为输入，由级联影响传播单元从每一个时刻的作答情况中提取出每次学习对知识点产生的时序影响；采用门控函数综合时序影响和空序影响的综合效果，更新学生的知识状态。
-
公开(公告)号：CN110096711B
公开(公告)日：2022-10-28
申请号：CN201910391956.1
申请日：2019-05-09
Applicant: 中国科学技术大学
IPC: G06F40/30 , G06F40/242
Abstract: 本发明公开了一种序列全局关注和局部动态关注的自然语言语义匹配方法，不仅通过堆叠门控循环神经网络和自注意力机制实现对句子语义的全局理解和表示；而且通过局部动态关注机制实现对句子重要信息的动态分析，得到句子语义的动态局部表示。利用对句子序列的全局关注和局部动态关注实现对句子语义的更为全面的理解，进而准确建模两个句子之间的语义交互，最终实现对句子语义匹配关系的准确判断，弥补了现有方法在注意力机制使用上存在的不足。
-
公开(公告)号：CN109918510B
公开(公告)日：2022-10-28
申请号：CN201910235391.8
申请日：2019-03-26
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种跨领域关键词提取方法，包括：构建基于主题的对抗神经网络，其使用基于主题的编码器对源领域和目标领域的文本基于主题进行编码，并引入对抗学习来与双向自编码器来确保基于主题的编码器学习到的特征与领域无关以及保留目标领域的私有特征，最后由主题的对抗神经网络中的关键词标注器结合基于主题的编码器的输出，完成关键词提取；在训练阶段，不断优化基于主题的对抗神经网络内的各部分参数；在测试阶段，将目标领域的文本输入至训练好的基于主题的对抗神经网络，从而提取出关键词。该方法可实现无标签或少量标签的目标领域的关键词提取，相比传统模型，有效地利用了相关领域的信息。对于提取结果，在评价指标F1上有一定的提高。
-
公开(公告)号：CN111724867B
公开(公告)日：2022-09-09
申请号：CN202010594496.5
申请日：2020-06-24
Applicant: 中国科学技术大学
Abstract: 一种分子属性测定方法、装置、电子设备及存储介质，应用于分子技术领域，包括：S1用分子拓扑结构图表示每个带标签分子的分子属性数据和每个无标签分子的分子结构数据；S2、将所有带标签分子和所有无标签分子的分子结构拓扑图输入至预先构建的教师模型，利用半监督学习对所有分子结构拓扑图进行训练，得到教师模型的参数；S3、将教师模型的参数迁移到预先构建的学生模型中；S4、利用带标签分子调整学生模型；S5、利用调整后的学生模型给所有无标签分子均赋予标签，得到带标签分子集；S6、将带标签分子集反馈给教师模型；重复执行步骤S2至S6，直至教师模型和学生模型均收敛，利用收敛(56)对比文件Junteng Jia等《.Graph-based Semi-Supervised & Active Learning for EdgeFlows》《.KDD "19: Proceedings of the 25thACM SIGKDD International Conference onKnowledge Discovery & Data Mining》.2019,第761-771页.Chen Gong等《.Label Propagation viaTeaching-to-Learn and Learning-to-Teach》.《IEEE Transactions on Neural Networks andLearning Systems》.2017,第28卷(第6期),第1452-1465页.
-
公开(公告)号：CN113254694B
公开(公告)日：2022-07-15
申请号：CN202110557602.7
申请日：2021-05-21
Applicant: 中国科学技术大学
IPC: G06F16/58 , G06F40/211 , G06F40/279 , G06F40/30
Abstract: 本申请公开一种文本转图像方法和装置，该方法及装置针对一个给定的文本句子，从多层次全面地对其进行了表征，包括句子级别，方面级别，词级别。相应结合句子级别特征、方面级别特征和词级别特征为其合成一张图像，并在图像的细化处理步骤中，同时利用方面级别和词级别特征对初始阶段生成的低像素图像进行细化，从而相比于现有技术的文本转处理方法，本申请进一步引入了方面级别信息对图像局部细节进行精细化处理，并通过从句子级别、词级别和方面级别的多个层级全面地表征与利用文本信息进行图像合成，进一步提升了文本转图像任务的完成质量，可实现为文本描述合成一张看上去更为真实且图文语义更为匹配的图片。
-
Patent Agency Ranking
公开(公告)号：CN109461475B
公开(公告)日：2022-05-13
申请号：CN201811258268.X
申请日：2018-10-26
Applicant: 中国科学技术大学
Abstract: 本发明提供了一种基于人工神经网络的分子属性预测方法，包括：S1)对分子数据进行预处理：通过图的数据结构表征的方法，得到原子空间表征与原子构成表征；S2)建立模型：将原子空间表征与原子构成表征通过多层卷积神经网络，得到分子各级的表征，并将分子各级的表征进行组合，得到模型；S3)根据模型预测分子属性。与现有技术相比，本发明利用多层级卷积神经网络，能够利用已有数据的信息以及分子的多层级结构，从中学出分子属性和空间构成的关系，并用来预测未知分子的相关属性，因此具有较好的速度与精度。
-
公开(公告)号：CN114227742A
公开(公告)日：2022-03-25
申请号：CN202210013707.0
申请日：2022-01-06
Applicant: 中国科学技术大学
Abstract: 本发明提供了一种转向机械臂，所述转向机械臂包括上力臂、连接机构、下力臂、转向机构和机械手；所述上力臂通过所述连接机构与所述下力臂连接，所述下力臂通过转向机构与所述机械手连接；所述上力臂能够通过驱使连接机构运动带动所述下力臂转动，所述转向机构能够驱动所述机械手旋转。所述上力臂包括上力臂壳体；卡环、第一齿杆、从动轮、第一电机和主动轮；所述主动轮直径小于从动轮及第一齿杆齿部的直径。本发明通过主动轮直径小于从动轮及第一齿杆齿部的直径的设计，利用小轮在运行时精度更加便于把控的特点，使下力臂相对与上力臂的转向角度更精准。
-
公开(公告)号：CN109299370B
公开(公告)日：2022-03-01
申请号：CN201811172906.6
申请日：2018-10-09
Applicant: 中国科学技术大学
IPC: G06F16/9535 , G06Q30/06
Abstract: 本发明公开了一种多对级个性化推荐方法，包括：通过互联网平台提取用户的隐式反馈信息；根据提取到的用户的隐式反馈信息来确定用户对各商品的偏好程度，从而将用户的隐式反馈信息划分为正反馈集、负反馈集及未知集，并将这三个集合作为训练数据；采用随机梯度下降算法并结合训练数据来优化用户对商品的偏好程度，从而得到优化后的用户对各商品的偏好程度；按照商品的偏好程度从高到低进行排序，将排名靠前的若干商品作为用户做喜欢的商品推荐给用户。该方法可以挖掘用户潜在感兴趣的商品信息，采用个性化推荐的方法将用户喜欢的商品以列表的形式推荐给每一个用户。
-
公开(公告)号：CN113989075A
公开(公告)日：2022-01-28
申请号：CN202111186872.8
申请日：2021-10-12
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种预测未来技术知识流动的方法，包括：步骤1、获取每一个时间段上的授权的专利及其所属的技术分类，以及每个专利的引用专利文献；步骤2、将所述专利间的引用聚合成技术间的流动，构建每一年的技术知识流动TKF网络；步骤3、将所述专利数据通过计算得到每一个时间段内技术领域在扩散能力和吸收能力上的初始特征向量；步骤4、将上述每一个时间段上的技术的初始特征向量输入技术流动预测框架，得到下一个时间段上的技术扩散能力的特征向量与吸收能力的特征向量，并将不同技术的扩散能力与吸收能力进行匹配，得到最终的技术之间的流动趋势。该方法能够高效且准确地实现对未来技术领域之间的交互关系以及发展趋势进行预测。
-
公开(公告)号：CN113971992A
公开(公告)日：2022-01-25
申请号：CN202111245984.6
申请日：2021-10-26
Applicant: 中国科学技术大学
Abstract: 本发明公开了一种针对分子属性预测图网络的自监督预训练方法与系统，利用化学领域的知识划分分子中的官能团并构建相应的官能团树，然后基于官能团树设计官能团生成的自监督任务，使得图网络学习到官能团的结构和语义信息，得到更好的分子表示；并且，结合原子层级的遮掩预测任务进行多任务学习，相比于现有技术而言，极大地提高了下游分子属性预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
213
records
(took 0.034 seconds)
