-
公开(公告)号：CN103745002A
公开(公告)日：2014-04-23
申请号：CN201410035139.X
申请日：2014-01-24
Applicant: 中国科学院信息工程研究所
CPC classification number: G06F17/30861 , G06N3/088
Abstract: 本发明涉及一种基于行为特征与内容特征融合的水军识别方法及系统，其方法为，采集包括用户行为特征和内容特征的原始数据；利用马尔可夫链蒙特卡罗随机模型进行行为特征维度和内容特征维度的融合，组成用户特征向量；利用用户特征向量进行DBN模型训练，得到DBN模型；对DBN模型进行检测，判断检测结果是否达到预定标准，如果是则结束；否则根据检测结果生成相应的调节命令，分别调节特征融合阶段和DBN模型训练阶段的相关参数；在DBN训练过程中根据识别准确率不断优化行为特征与内容特征的比例分配，具体特征的选取，以及对DBN模型训练过程中迭代次数的调整，达到较优的训练效果，最终提高识别准确率和识别方法的自适应性。
-
公开(公告)号：CN105630884B
公开(公告)日：2019-03-08
申请号：CN201510957634.0
申请日：2015-12-18
Applicant: 中国科学院信息工程研究所
IPC: G06F16/9537 , G06F16/35
Abstract: 本发明公开了一种微博热点事件的地理位置发现方法。本方法为：1)基于行政区规划地理词词典及中文简称词的命名规则构建一简称词词典，然后将该简称词词典与全称词词典进行关联；2)根据事件关键字，获取包含该事件关键字的微博信息；3)对获取的微博信息进行分词处理，得到该微博的分词集合，然后判断该分词集合中每一名词是否在该简称词词典或全称词词典中，如果存在则将该名词作为候选地理位置词保留；当该微博中出现多个候选地理位置词时，则选取一候选地理位置词作为该微博的地点；4)获取确定的每一地点的地理位置经纬度信息，然后对得到的地理位置经纬度信息进行聚类，根据聚类中心判断出事件爆发地点。本方法可更好的了解突发事件。
-
公开(公告)号：CN104834686B
公开(公告)日：2018-12-28
申请号：CN201510184876.0
申请日：2015-04-17
Applicant: 中国科学院信息工程研究所
IPC: G06F17/30
Abstract: 本发明涉及一种基于混合语义矩阵的视频推荐方法，其步骤包括：1)对视频描述信息进行分词，根据词频提取关键词作为视频描述标签；2)通过Word2vec工具对包含所述视频描述标签在内的各视频标签进行向量化；3)采用熵化法得到各视频标签的权重，并构建具有权重的混合语义矩阵，通过所述混合语义矩阵表示视频与其标签之间的对应关系；4)根据所述混合语义矩阵，将视频的相似性计算转化为向量的相似度计算，实现对用户的个性化视频推荐。本发明在继承内容过滤推荐算法简单、高效的特点的同时，实现了智能特征提取和标签量化、权重分配，避免了这个过程中的专家参与，提高了视频推荐的准确率。
-
公开(公告)号：CN104935963B
公开(公告)日：2018-03-16
申请号：CN201510290170.2
申请日：2015-05-29
Applicant: 中国科学院信息工程研究所
IPC: H04N21/258 , H04N21/466
Abstract: 本发明涉及一种基于时序数据挖掘的视频推荐方法。该方法包括：1)通过第三方数据分析用户对视频的兴趣梯度变化，并得到用户兴趣梯度曲线，将用户兴趣梯度曲线的奇异点作为用户兴趣迁移的时间点；2)确定用户最近的兴趣迁移时间点，对用户最近的兴趣迁移时间点以后的用户‑项目评分进行采集，从而建立选定时间窗口内的符合用户当前兴趣的用户‑项目评分矩阵；3)基于所述用户‑项目评分矩阵，通过使用随机游走模型进行用户的个性化视频推荐。本发明考虑了个性化视频推荐中的兴趣迁移问题，并融合了时间窗口方法和基于Random Walker的信任度模型进行个性化视频推荐，提高了视频推荐的准确性和效率。
-
公开(公告)号：CN103716204B
公开(公告)日：2017-02-08
申请号：CN201310712975.2
申请日：2013-12-20
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于维纳过程的异常入侵检测集成学习方法，包括以下步骤：选择网络流量数据集；将每个网络流量样本及其样本概率分布输入到未初始化的神经网络分类器或者经过上次训练得到的神经网络弱分类器中，判断神经网络弱分类器对每个网络流量样本是否分类错误，调整每个网络流量样本的数量及样本概率分布；反复执行步骤2，得到多个神经网络弱分类器；分别确定每个神经网络弱分类器的权重；根据每个弱分类器及每个弱分类器对应的权重，得到强分类器；将待检测网络数据流输入到强分类器中，得到入侵检测结果；重复执行步骤6，直至所有待检测网络数据流检测完毕。本发明能够解决不平衡数据集的分类问题、得到分类正确率较高的无偏分类器。
-
Patent Agency Ranking
公开(公告)号：CN104935963A
公开(公告)日：2015-09-23
申请号：CN201510290170.2
申请日：2015-05-29
Applicant: 中国科学院信息工程研究所
IPC: H04N21/258 , H04N21/466
CPC classification number: H04N21/25891 , H04N21/4667 , H04N21/4668
Abstract: 本发明涉及一种基于时序数据挖掘的视频推荐方法。该方法包括：1)通过第三方数据分析用户对视频的兴趣梯度变化，并得到用户兴趣梯度曲线，将用户兴趣梯度曲线的奇异点作为用户兴趣迁移的时间点；2)确定用户最近的兴趣迁移时间点，对用户最近的兴趣迁移时间点以后的用户-项目评分进行采集，从而建立选定时间窗口内的符合用户当前兴趣的用户-项目评分矩阵；3)基于所述用户-项目评分矩阵，通过使用随机游走模型进行用户的个性化视频推荐。本发明考虑了个性化视频推荐中的兴趣迁移问题，并融合了时间窗口方法和基于Random Walker的信任度模型进行个性化视频推荐，提高了视频推荐的准确性和效率。
-
公开(公告)号：CN104834686A
公开(公告)日：2015-08-12
申请号：CN201510184876.0
申请日：2015-04-17
Applicant: 中国科学院信息工程研究所
IPC: G06F17/30
Abstract: 本发明涉及一种基于混合语义矩阵的视频推荐方法，其步骤包括：1)对视频描述信息进行分词，根据词频提取关键词作为视频描述标签；2)通过Word2vec工具对包含所述视频描述标签在内的各视频标签进行向量化；3)采用熵化法得到各视频标签的权重，并构建具有权重的混合语义矩阵，通过所述混合语义矩阵表示视频与其标签之间的对应关系；4)根据所述混合语义矩阵，将视频的相似性计算转化为向量的相似度计算，实现对用户的个性化视频推荐。本发明在继承内容过滤推荐算法简单、高效的特点的同时，实现了智能特征提取和标签量化、权重分配，避免了这个过程中的专家参与，提高了视频推荐的准确率。
-
公开(公告)号：CN103617235A
公开(公告)日：2014-03-05
申请号：CN201310611396.9
申请日：2013-11-26
Applicant: 中国科学院信息工程研究所
IPC: G06F17/30
CPC classification number: G06F17/3089
Abstract: 本发明涉及一种基于粒子群算法的网络水军账号识别方法，具体包括以下步骤：步骤1：收集β个用户的用户信息，从所述每个用户信息中提取λ个相关指标，得到β个指标向量；步骤2：对λ个指标根据需要分配权重，得到权重向量；步骤3：将β个指标向量按照其中每个指标大小进行排序，得到λ个序列；步骤4：选取每个用户为粒子，应用粒子群算法，将符合条件的粒子保存到水军用户列表；步骤5：选取水军用户列表中所有可疑水军用户，将符合条件的所有邻居加入水军用户列表。本发明在实时性方面，本发明提出的基于改进粒子群算法的网络水军账号识别方法更为适宜。
-
公开(公告)号：CN103617235B
公开(公告)日：2017-01-25
申请号：CN201310611396.9
申请日：2013-11-26
Applicant: 中国科学院信息工程研究所
IPC: G06F17/30
Abstract: 本发明涉及一种基于粒子群算法的网络水军账号识别方法，具体包括以下步骤：步骤1：收集β个用户的用户信息，从所述每个用户信息中提取λ个相关指标，得到β个指标向量；步骤2：对λ个指标根据需要分配权重，得到权重向量；步骤3：将β个指标向量按照其中每个指标大小进行排序，得到λ个序列；步骤4：选取每个用户为粒子，应用粒子群算法，将符合条件的粒子保存到水军用户列表；步骤5：选取水军用户列表中所有可疑水军用户，将符合条件的所有邻居加入水军用户列表。本发明在实时性方面，本专利提出的基于改进粒子群算法的网络水军账号识别方法更为适宜。
-
公开(公告)号：CN103745002B
公开(公告)日：2017-01-18
申请号：CN201410035139.X
申请日：2014-01-24
Applicant: 中国科学院信息工程研究所
Abstract: 本发明涉及一种基于行为特征与内容特征融合的水军识别方法及系统，其方法为，采集包括用户行为特征和内容特征的原始数据；利用马尔可夫链蒙特卡罗随机模型进行行为特征维度和内容特征维度的融合，组成用户特征向量；利用用户特征向量进行DBN模型训练，得到DBN模型；对DBN模型进行检测，判断检测结果是否达到预定标准，如果是则结束；否则根据检测结果生成相应的调节命令，分别调节特征融合阶段和DBN模型训练阶段的相关参数；在DBN训练过程中根据识别准确率不断优化行为特征与内容特征的比例分配，具体特征的选取，以及对DBN模型训练过程中迭代次数的调整，达到较优的训练效果，最终提高识别准确率和识别方法的自适应性。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.026 seconds)
