-
公开(公告)号：CN118674499A
公开(公告)日：2024-09-20
申请号：CN202410761100.X
申请日：2024-06-13
Applicant: 北京工业大学
IPC: G06Q30/0217 , G06F16/9535 , G06F16/9536 , G06F18/2431 , G06N3/0464 , G06N3/08
Abstract: 本公开提供了在线社区激励方法及装置、电子设备、存储介质，涉及数据处理技术领域。该在线社区激励方法包括：获取群体当前状态，计算群体的效率及公平；基于上述群体的效率及公平在群体演化路径图组中筛选出第一群体演化路径组；基于群体的目标演化方向、第一群体演化路径确定群体演化方向；获取确定的群体演化方向所对应的激励混合比例，对在线社区用户群体进行激励。本公开实施例的技术方案实现在线社区对用户表现的持续改进和定向优化，而非预先制定某种静态、固定的规则，提升了对群体表现的掌控力。此外，无需使用强化学习等方法对模型进行持续的训练，仅需对历史数据进行整合，操作便捷，实用性强。
-
公开(公告)号：CN118313384A
公开(公告)日：2024-07-09
申请号：CN202311480948.7
申请日：2023-11-08
Applicant: 北京工业大学
IPC: G06F40/30 , G06F18/25 , G06F18/2431 , G06N5/022 , G06N3/0442 , G06N3/08
Abstract: 一种基于领域知识指导的社交媒体文本情感分析方法，属于自然语言处理领域。本发明采用基于领域知识指导的社交媒体文本情感分析方法，加入了外部领域知识——情感状态知识的指导，使得模型更加关注与情感状态相关的关键特征。该情感知识虑了人的十大情感认知类型和四大人际特征的概念和内涵，能够较好的体现一段文本的关键情感特征。本发明计算了每个句子与整体段落的语义相似度，将单个句子与整体段落相关联，在融合阶段强化了相似度较高的句子特征，弱化了相似度较低的句子特征，使得模型更加关注能代表段落整体语义的关键句子。减少情感分析能力的浪费，提升了模型情感分析的准确性。
-
公开(公告)号：CN114494884B
公开(公告)日：2024-06-07
申请号：CN202210123927.9
申请日：2022-02-10
Applicant: 北京工业大学
IPC: G06V20/10 , G06V10/44 , G06V10/764 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种垃圾自动分拣多目标检测方法，包括，步骤一：输入图像，并将图像规格化为网络结构的标准输入大小。步骤二：预处理是指对图像进行降噪。步骤三：特征提取器包括五个特征提取单元和小目标提取单元，将这五个特征以及小目标提取单元提取到的特征进行特征融合。步骤四：将步骤三得到的特征作为此部分全连接层的输入，输出值作为softmax函数的输入，得到最终的分类结果。步骤五：输出分类结果。使用局部注意力机制与全局注意力机制相结合的方法，使网络关注检测目标而忽略对特征提取有干扰的背景信息。使用反卷积增大负责检测小目标的特征层conv7的特征图，将特征图与特征提取单元获得的特征图进行融合，从而提高对体积较小目标检测准确率。
-
公开(公告)号：CN113035362B
公开(公告)日：2024-04-09
申请号：CN202110219069.3
申请日：2021-02-26
Applicant: 北京工业大学
IPC: G16H50/70 , G16H10/60 , G06N3/0464 , G06F18/214 , G06F40/30 , G06F40/295 , G06F40/211
Abstract: 本发明公开了一种基于语义图网络的医疗预测方法及系统，基于领域知识识别电子病历中的实体，并采用双向门控循环单元学习文本的序列特征。其次，为了细粒度的提取电子病历中的语义关系，定义两种类型的子图，基于知识的图表示和基于文本的图表示，并采用图卷积神经网络GCN和图注意力网络GAT提取语义关系特征，其中基于文本的图表示允许提取实体或词与其自身的关系，用于表示实体或词特征。针对属性‑值特征，在提取电子病历中的数值或类别特征之后，利用双向门控循环单元Bi‑GRU提取他们对应的实体，构建属性‑值的图表示。最后，将语义关系和属性‑值进行融合训练疾病的等级预测模型。
-
公开(公告)号：CN110134954B
公开(公告)日：2023-12-22
申请号：CN201910371706.1
申请日：2019-05-06
Applicant: 北京工业大学
IPC: G06F40/295 , G06F40/284
Abstract: 一种基于Attention机制的命名实体识别方法属于计算机领域，通过Attention机制引入中文字素和字符位置权重信息来提高命名实体识别的准确率。方法包括：相似词语提取模块、特征构建模块和分类器模块，其中特征构建模块包括词语相似度融合、词特征提取、字符特征提取和特征融合四个子模块。本方法通过双向LSTM(长短期记忆)来处理命名实体识别中的上下文信息，通过crf(条件随机场)来预测实体标签类别。
-
Patent Agency Ranking
公开(公告)号：CN115204172A
公开(公告)日：2022-10-18
申请号：CN202210278559.5
申请日：2022-03-21
Applicant: 北京工业大学
IPC: G06F40/295 , G06F40/216 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于词典约束自适应注意力权重分配策略。该策略对命名实体识别技术中广泛使用的注意力机制进行了优化，通过引入了一个词典和字符串匹配方法来构建一种用于约束注意力机制权重分配过程的约束向量，该向量中包含了词典中出现的关键字和词的具体位置，并对应的设置了约束数值，可以与注意力机制所分配的权重进行交叉熵计算的到注意力分配损失。如果注意力机制分配的权重未按照约束向量的要求重点关注要识别的医疗实体，注意力损失将会增加，这时，模型为了尽可能的降低损失，会自适应的调整注意力机制的权重分配过程，让注意力权重精准关注约束向量指定的实体从而减少损失，达到对医疗实体的精准关注。
-
公开(公告)号：CN110069756A
公开(公告)日：2019-07-30
申请号：CN201910321968.7
申请日：2019-04-22
Applicant: 北京工业大学
IPC: G06F17/22 , G06F16/9535
Abstract: 一种考虑用户评价的资源或服务推荐方法属于计算机人工智能领域，涉及一种考虑用户评价的资源或服务推荐方法。该方法包括：用户特征编码模块、资源或服务编码模块、Encoder模块、Decoder模块。本发明的原理是一种考虑用户评价的资源或服务推荐方法，应用多层次编码方法不仅学习了资源或服务本来的特征还学习到了用户评价对于资源或服务的作用，通过注意力机制得到了用户特征与资源或服务的相关重要性程度，通过残差网络降低了模型复杂度且更快更准确的得到资源或服务的推荐结果。
-
公开(公告)号：CN111832307B
公开(公告)日：2024-08-23
申请号：CN202010657829.4
申请日：2020-07-09
Applicant: 北京工业大学
IPC: G06F40/295 , G06F40/30 , G06F18/241 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/09
Abstract: 本发明实施例提供一种基于知识增强的实体关系抽取方法及系统。该方法包括：获取经预处理的领域本体，以及未标注语料库；基于经预处理的领域本体和未标注语料库获取实体知识信息，通过实体知识信息计算得到标注语料库；基于实体知识信息分别提取实体特征、词特征和实体位置特征，进一步进行位置特征融合，得到融合特征；获取PCNN模型，基于融合特征训练PCNN模型，得到实体关系抽取模型；将实体关系抽取模型的结果放入PCNN模型中，通过预设分类器得到实体关系类型分类结果。本发明实施例基于现有领域本体和未标注语料库进行训练，训练后的模型可以提供实体对对应的关系类别，可广泛应用于自然语言相关的应用，提高了关系抽取的准确率。
-
公开(公告)号：CN114494728A
公开(公告)日：2022-05-13
申请号：CN202210123900.X
申请日：2022-02-10
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于深度学习的小目标检测方法，包括以下步骤：对训练数据中的小目标进行数据增强。通过特征提取网络对处理后的图像进行特征提取，将特征图通过级联进行融合作为特征图。特征图经过通道注意力模块加权后再经过空间注意力模块得到最终的特征图。将所提取的潜在目标根据面积大小划分为常规目标与小目标。对小目标区域进行RoIAlign区域池化操作，对池化结果进行类别判断与位置回归得到最终检测结果；使用混合注意力模块，提升RPN区域提取能力，将提取的区域按照面积大小区分为小目标与其他目标两类，对小目标区域使用RoIAlign区域池化，充分利用了小目标区域的特征信息，从而在减少计算量增加的同时提升了网络对小目标的检测能力。
-
公开(公告)号：CN114266757A
公开(公告)日：2022-04-01
申请号：CN202111606103.9
申请日：2021-12-25
Applicant: 北京工业大学
Abstract: 一种基于多尺度融合注意力机制的糖尿病性视网膜病变分级方法属于计算机软件领域，针对目前无法提取不同尺度病灶特征且难以关注重要病灶导致分级任务准确率低下的弊端。首先，使用具有不同卷积核大小的过滤器从眼底图像中提取特征，并给不同尺度的特征赋予不同的权重，使得深度学习网络可以学习并选择不同尺度的特征，以提高网络对于不同类型和尺寸病灶的识别能力。同时，融合不同尺度的特征，并使用融合了空间和通道信息的注意力机制对融合后的特征进行权重分配，以加强对高价值特征的选择，从而抑制其他无用特征，以此来提高分级准确率。本发明可以有效地提高对糖尿病性视网膜病变的分级准确率。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.026 seconds)
