-
公开(公告)号：CN107222334A
公开(公告)日：2017-09-29
申请号：CN201710372354.2
申请日：2017-05-24
Applicant: 南京大学
Abstract: 一种适用于社交网络的基于核心三角的局部社团发现方法，包括如下步骤：1)核心三角选取阶段：a确定核心节点；b找到核心节点与其邻居节点构成的所有三角形；c选取度数最高的作为核心三角；d结束；2)社团扩张阶段：a核心三角作为初始社团；b计算每个社团邻居节点的节点适应度；c选取节点适应度最大的邻居节点加入社团迭代生成局部社团；d结束；3)局部社团合并阶段：a计算两局部社团之间相似度；b基于相似度阈值两两合并局部社团；c结束。该方法无需获取全局网络结构信息，只需迭代获取局部信息即可生成的该社交网络的局部社团划分，为社交网络中发现局部社团结构提供了解决方案。
-
公开(公告)号：CN106022936A
公开(公告)日：2016-10-12
申请号：CN201610353585.4
申请日：2016-05-25
Applicant: 南京大学
IPC: G06Q50/00
Abstract: 本发明提供一种适用论文合作网络的基于社团结构的影响最大化算法(COMAX算法)，包括如下步骤：1)社团发现阶段a构建论文合作网络图；b合并局部社团；c构建新的网络图；d结束；2)种子节点选取阶段a计算每个社团的影响力；b选择影响力最大社团中对应的节点；c结束。本发明的基于社团结构的影响最大化算法为论文合作网络的影响最大化问题提供了新的解决方案，结果表明，在ICM模型上，我们提出的COMAX算法在影响覆盖范围上与贪心算法接近，而且时间效率非常好。
-
公开(公告)号：CN104794635A
公开(公告)日：2015-07-22
申请号：CN201510186307.X
申请日：2015-04-17
Applicant: 南京大学
IPC: G06Q30/02
Abstract: 基于协同过滤推荐算法的手机机型推荐方法，利用协同过滤推荐算法的框架，结合机型生命周期模型和相应的打分函数来为用户精确推荐机型，包括如下步骤，包括最近邻计算阶段和机型推荐阶段：数据预处理，清除噪声和异常数据，排除不符合要求的用户和机型，从用户数据库中抽取目前正在使用的用户的个人信息和历史消费信息，从机型数据库中抽取用户目前使用机型的相关属性；利用预处理后的数据将相应的信息抽取出来为每个用户构建对应的用户向量，并使用本系统设计的方法计算用户间的相似度；计算目标用户与其他用户的相似度取相似度最大的前N个作为目标用户的最近邻居。
-
公开(公告)号：CN101394316B
公开(公告)日：2011-08-31
申请号：CN200810234948.8
申请日：2008-11-11
Applicant: 南京大学
Abstract: 本发明公开了一种基于完全无向图的贝叶斯的网络入侵分类方法，包括如下步骤：1)训练阶段：a)收集已知是否为入侵的会话事件并进行特征提取作为训练集；b)对训练集进行预处理；c)训练出基于完全无向图的贝叶斯分类器；d)结束；2)分类阶段：a)预处理待检测的会话事件；b)使用步骤1c)得到的分类器对处理后的会话事件进行分类；c)返回分类结果；d)结束。本发明的基于完全无向图的贝叶斯的网络入侵分类方法在保持计算简单的前提下，提高了分类器的精度，尤其是针对小样本类标的异常事件，从而提高了入侵检测系统的入侵检测性能。
-
公开(公告)号：CN112418931B
公开(公告)日：2024-04-12
申请号：CN202011322875.5
申请日：2020-11-23
Applicant: 南京大学
IPC: G06Q30/0207 , G06Q30/08
Abstract: 本发明提供了一种基于多单位预算限制的采购激励方法，首先，采集卖家或者众包平台中的工作者出价信息，所述报价信息包括工作者对单位物品的出价；然后设计分配函数；采用基于贪心分配算法的改进算法，根据卖家的出价和其可以提供的内容，由分配函数计算获得胜出方；所述改进算法包括确定性算法和随机性算法；随后进入支付步骤，基于胜出方集合，设计支付函数，决定支付价格；最后完成交割；卖家提供物品，买家支付金钱；当买家完成对待交割物品的验证后，完成物品交割，交易完成；本发明提供的采购激励方法，解决了众包服务中如果将众包任务定价过高，在财务限制下招募的工作者会相应减少，这将导致众包的预期效果降低的问题。
-
Patent Agency Ranking
公开(公告)号：CN112434737B
公开(公告)日：2024-03-19
申请号：CN202011333029.3
申请日：2020-11-25
Applicant: 南京大学
IPC: G16H50/30 , G16H10/60 , G06V10/771 , G06N20/00
Abstract: 本发明公开了一种用于脑卒中分析的多智能体评价准则融合的特征选择系统，包括数据输入单元、数据预处理单元、初始特征序列建立单元、多智能体强化单元、特征融合单元、逻辑回归模型单元，通过对脑卒中数据进行不同属性的处理，并通过多智能体强化学习将三种特征评价准则按照最优权重策略进行特征融合，进一步得到所有特征的重要性排序序列和最优的特征子集，本发明在提高准确率的前提下减少特征子集，得到与脑卒中最相关的影响因素，进而从特征选择的角度提高对脑卒中疾病的预测性能。
-
公开(公告)号：CN113360633B
公开(公告)日：2023-10-17
申请号：CN202110641886.8
申请日：2021-06-09
Applicant: 南京大学
IPC: G06F16/335 , G06F16/35 , G06F40/242 , G06F40/279 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于深度域适应的跨域测试文档分类方法。包括1、数据采集阶段，获取足够多的辅助领域的文档数据及其标注，以及要分类的目标领域的文档数据；2、数据预处理阶段，对俩个领域的全部文档进行词语的划分之后进行去重和去停用词，之后进行字典的构建，再将每一个文档表示成one‑hot向量的形式；3、在跨域数据迁移阶段，将辅助领域和目标领域的数据同时送入深度网络中，来进行特征的学习和提取。本发明节省了数据标注的时间和人力成本，可结合多种网络结构进行特征的提取。
-
公开(公告)号：CN113361928B
公开(公告)日：2023-08-25
申请号：CN202110631471.2
申请日：2021-06-07
Applicant: 南京大学
IPC: G06Q10/0631 , G06Q10/0639 , G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于异构图注意力网络的众包任务推荐方法，首先采集众包数据，依次进行特征清洗、特征筛选、特征补全处理后获得众包参与人员与任务的属性特征向量，并构建异构众包网络，按照设定元路径进行采样和预训练，获取人员与任务的节点特征表示并进行模型训练，获取节点对之间的注意力；依据注意力系数进行邻居节点信息的传递和聚合，更新人员与任务的节点特征表示；最后根据学习到的节点特征表示，计算人员与任务的相似性得分，按照得分排序进行任务推荐；本发明针对众包中已有的任务信息与人员信息，建立众包异构网络，使用图注意力网络进行众包网络中特征向量的更新，提升众包任务推荐准确度，进一步提升完成效率和完成质量。
-
公开(公告)号：CN113361775B
公开(公告)日：2023-08-25
申请号：CN202110634724.1
申请日：2021-06-08
Applicant: 南京大学
IPC: G06Q10/047 , G06Q10/0631 , G06Q30/08 , G06Q30/0201
Abstract: 本发明公开了一种针对时间间隔覆盖任务的众包拍卖方法，包括：1、任务建模阶段，按照众包时间顺序任务将任务建模为有向图模型，每个点代表一个任务时间阶段，每个报价人报出自己的价格，在图中以一条有向边表示，每条有向边代表完成从一个时间点到另一个时间点的任务；2、图的预处理阶段，按倒序顺序给每个顺序点加上一条反向的顺序边，该边的权重为0；3、求解阶段，使用堆优化的Dijkstra算法计算从起始点到终点的最短路径，最短路径经过的边即是拍卖的胜者；4、支付阶段，使用VCG机制的支付方法，即去除每一个胜者，再计算一次最短路径，两者之差即是最后给该胜者的支付价格，满足最优性，个体理性和激励相容。
-
公开(公告)号：CN113392245A
公开(公告)日：2021-09-14
申请号：CN202110664152.1
申请日：2021-06-16
Applicant: 南京大学
IPC: G06F16/532 , G06F16/583 , G06F40/284 , G06T5/50
Abstract: 本发明公开了一种用于众测任务发布的文本摘要与图文检索生成方法，采集真实众测场景任务发布中提取的相关数据，对相关数据进行筛选整理与清洗；对给定的相关单个或多个任务文档进行摘要生成，利用上阶段获得的任务相关文本摘要，收集相关图片数据库并检索出合适的图像；对检索出的两幅相关图像进行二次融合加工，以生成的方式整合为一张图片，提高图片与任务的匹配度和信息量。本发明通过在众测任务发布中对较为繁杂的任务文档提取较为简短的文本摘要，降低了众测平台方的工作量；同时使用图文检索与图像融合技术，生成具有特色的任务图片。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.021 seconds)
