-
公开(公告)号：CN113362242A
公开(公告)日：2021-09-07
申请号：CN202110621167.X
申请日：2021-06-03
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多特征融合网络的图像修复方法，包括：S1基于多特征融合的生成网络；S2编码器中基于多级特征提取的下采样模块；S3解码器中基于多级特征提取的上采样模块；S4解码器中基于亚像素的上采样层；S5基于块的判别网络。本发明首先将待修复图像输入基于多特征融合的生成网络中，得到具有一定结构信息的初始修复图像；然后将初始修复图像输入到基于多特征融合的精细生成网络中，进一步填充高频信息；通过计算重建损失、结构损失和对抗损失，优化网络参数，使得修复后的图像具有清晰合理的结构信息及有序的纹理信息，提升修复后图像的视觉质量。
-
公开(公告)号：CN111949865A
公开(公告)日：2020-11-17
申请号：CN202010795451.4
申请日：2020-08-10
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06F16/9537
Abstract: 本发明提出了一种基于图神经网络与用户长短期偏好的兴趣点推荐方法。本发明通过将用户的历史签到数据中的每一天访问的兴趣点序列作为一个会话序列；基于这些会话构造有向图，其中每个会话序列视为子图，每个节点代表一个兴趣点，每个有向边表示用户在访问此边的源兴趣点之后访问了指向的兴趣点。基于此图，通过图神经网络捕获兴趣点之间的联系并准确地生成兴趣点的向量表示。而基于这些兴趣点的表示向量，之后通过结合注意力机制为用户推荐下一步要访问的兴趣点。本发明分别从用户和兴趣点的角度进行融合成一个更好的地理信息模型。为此，在该模型中使用了用户和兴趣点之间的地理距离和用户在相邻兴趣点上的签到频次，解决了签到数据稀疏问题。
-
公开(公告)号：CN110688583A
公开(公告)日：2020-01-14
申请号：CN201910830873.8
申请日：2019-09-04
Applicant: 杭州电子科技大学
IPC: G06F16/9536
Abstract: 本发明公开了一种基于层次化物品协同过滤推荐方法，包括以下步骤：收集用户对物品的行为数据以及物品的元数据；对收集的行为数据和物品的元数据进行建模和物品相似度计算；基于层次化物品协同过滤的推荐。本发明主要是利用多种数据，包括用户对物品的行为数据和物品的元数据信息，以此计算物品之间的相似度并实施基于层次化物品协同过滤的推荐，缓解数据稀疏和冷启动问题的影响，进而改进推荐结果的准确率和多样性。
-
公开(公告)号：CN117857378A
公开(公告)日：2024-04-09
申请号：CN202410016844.9
申请日：2024-01-05
Applicant: 杭州电子科技大学
IPC: H04L41/16 , H04L41/14 , H04W24/02 , H04L67/10 , H04L67/568
Abstract: 移动边缘计算技术旨在提高用户体验质量，减少传输延迟，以及降低云端资源压力。针对如何在移动边缘网络中做出推荐和缓存决策更合理的问题，本发明提出了一种基于联邦强化学习的移动边缘缓存与推荐方法，旨在解决移动网络下能耗的优化问题，模拟用户移动和接触情况，引入深度Q网络(DQN)强化学习，制定缓存和推荐策略。联邦学习被应用以加强用户设备之间的联系，同时保护用户隐私。该技术不仅可以解决隐私保护问题，还改善网络性能，降低传输能耗，提高蜂窝链路的传输卸载率。本专利具有广泛应用前景，对移动通信和边缘计算领域具有重要意义。
-
公开(公告)号：CN117313787A
公开(公告)日：2023-12-29
申请号：CN202311199968.7
申请日：2023-09-18
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于图微分方程和孪生学习的服务推荐方法，包括以下步骤：输入用户的历史服务交互数据；读取并处理用户的历史服务交互数据；利用线性时空嵌入和基于嵌入的自注意模块来规范和生成自适应嵌入；通过图微分方程构建模型，利用时间图序列和感知间隔的注意力机制来学习动态的兴趣转移；孪生学习与服务推荐。上述技术方案首先是通过求解用户交互行为的图微分方程，显式利用了用户兴趣的连续变化，然后利用时间图序列和感知间隔的注意力机制来学习动态的兴趣转移。最后，把孪生学习用到推荐过程中，直接从基础真值标签的特征表示中学习。通过与正样本的比较来推断未来使用服务的概率，为用户提供更加精准的服务推荐。
-
Patent Agency Ranking
公开(公告)号：CN116155991B
公开(公告)日：2023-10-10
申请号：CN202310045386.7
申请日：2023-01-30
Applicant: 杭州滨电信息技术有限公司 , 杭州电子科技大学
IPC: H04L67/55 , G06F18/20 , G06N3/084 , G06N3/044 , H04L67/567 , H04L41/16 , H04L41/14 , H04L41/142
Abstract: 本发明公开了一种基于深度强化学习的联合边缘缓存与推荐方法及系统，该方法首先构建移动节点模型计算用户之间的D2D传输速率、用户偏好和用户间的相似性。其次构建D2D传输模型，计算出传输时长、社会关系以及接触率。然后构建推荐和请求模型和内容服务提供商模型，内容服务提供商通过蜂窝链路将内容传输给用户。再然后构建优化目标函数，预测缺失的评分，并将内容缓存与推荐建模为马尔可夫决策过程。最后完成系统与环境的交互以及参数的更新。本发明获得更准确的评分预测，将联合内容缓存和推荐问题描述为非线性整数规划问题，保证内容缓存和推荐命中率的同时，使代理成本最小化，并帮助智能体获得近似最优解。
-
公开(公告)号：CN116795000A
公开(公告)日：2023-09-22
申请号：CN202310318048.6
申请日：2023-03-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于道路行车条件的智能驾驶员模型改进方法，包括如下步骤：S1、数据采集；S2、通过数据筛选和处理，得到历史行车数据中一条道路上具有跟随行性的历史行车数据；S3、在Matlab中通过模型公式构建出跟驰模型以及跟驰模型运行的仿真环境；S4、将步骤S2中筛选出的训练数据输入至跟驰模型中，标定跟驰模型的参数值；S5、将训练好后的标定的跟驰模型参数值代入跟驰模型中，得到与当前道路实际情况相符的跟驰模型，并通过步骤S2得到的测试数据，测试与评估改进后的跟驰模型的有效性和优越性。该方法是一个能够针对不同的天气状况进行调整的基于智能驾驶员模型的改进模型。
-
公开(公告)号：CN114969547B
公开(公告)日：2023-04-18
申请号：CN202210721249.6
申请日：2022-06-24
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06F16/683 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多视角增强图注意神经网络的音乐推荐方法，包括如下步骤：S1、数据采集，获取一定时间内多个用户得音乐收听记录；S2、数据建模，构建异构音乐图HMG，对各种数据和信息进行整合；S3、表征学习，S4、用户短期兴趣建模，从用户的最近的音乐收听行为中推断她/他的短期兴趣偏好；S5、音乐推荐，基于用户的长期、短期和动态三种兴趣偏好进行推荐。该方法从用户的音乐收听记录以及音乐和用户的向量表征中学习用户的动态、长期和短期偏好，并利用上述偏好信息进而从海量的音乐数据中推荐满足用户实时要求的音乐。
-
公开(公告)号：CN114299728A
公开(公告)日：2022-04-08
申请号：CN202111680770.1
申请日：2021-12-29
Applicant: 杭州电子科技大学
IPC: G08G1/065 , G08G1/01 , G06F30/27 , G06F119/02
Abstract: 本发明涉及一种结合注意力机制与动态时空卷积模型的车辆流量预测方法，针对现有模型无法有效利用道路间车流量转移关系的问题，提出了道路级流量转移嵌入模块，学习到道路间的流量转移时间序列的张量表示；针对现有方法无法捕获动态变化的空间依赖的问题，提出了动态空间注意力模块，用于计算动态变化的空间依赖矩阵；针对现有模型无法有效对时序重要性有效建模的问题，提出了动态时间注意力模块，用于计算时序注意力权重。通过上述组件，本模型可以有效利用道路流量转移数据、捕获道路间动态变化的时空依赖关系，从而提高道路电动自行车流量预测的准确性。
-
公开(公告)号：CN110659382B
公开(公告)日：2021-10-15
申请号：CN201910830866.8
申请日：2019-09-04
Applicant: 杭州电子科技大学
IPC: G06F16/635
Abstract: 本发明公开了一种基于异构信息网络表示学习技术的混合音乐推荐方法，包括：S1基于网络表示学习方法的音乐特征向量的获取；S2用户全局音乐偏好和上下文音乐偏好的预测与建模；S3上下文感知的混合音乐推荐。本发明利用网络表示学习方法从用户的收听记录和音乐的内容数据中提取音乐的特征向量，再从用户的收听记录中分别提取用户的全局音乐偏好和上下文音乐偏好，最后在推荐的时候综合考虑用户的全局偏好和当前上下文偏好，从而改进推荐效果，提升推荐准确率。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.027 seconds)
