-
公开(公告)号：CN103064945B
公开(公告)日：2016-01-06
申请号：CN201210575284.8
申请日：2012-12-26
Applicant: 吉林大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于本体的情境搜索方法，旨在克服现有技术存在精准度不够、个性化不足、智能性缺失与情境被忽视等问题。该方法的步骤为：1.由网页情境解析与表示模块对采集到的网页进行解析并表示网页情境信息；2.由用户情境挖掘与表示模块实现用户情境挖掘与表示并和第1步骤同时进行，3.由情境索引模块设计融入网页情境信息的索引结构；4.由情境扩展模块实现情境扩展即形成查询情境，所述的情境扩展是指利用用户情境，在情境级别上对查询词进行扩展，限定查询词所属的语境，形成查询情境；5.由情境查询处理模块实现情境查询处理：其步骤为：1）情境推荐；2）情境检索；3）情境排序；排序之后的结果就可以提供到用户查询界面中。
-
公开(公告)号：CN114386513B
公开(公告)日：2025-05-02
申请号：CN202210036320.7
申请日：2022-01-13
Applicant: 吉林大学
IPC: G06F18/25 , G06F16/901 , G06F16/906 , G06N3/042 , G06N3/0464 , G06N3/08 , G06F16/9535
Abstract: 本发明涉及一种集成评论与评分的交互式评分预测方法及系统，通过构建节点属性二部图，将评分和评论等辅助信息集成到用户和商品的交互中，并利用卷积神经网络学习获得评论的隐特征，将隐特征整合到节点属性二部图中，得到特征属性二部图；然后利用属性图卷积网络分别从商品域和评论域两个方面更新特征属性二部图中的用户节点特征和商品节点特征，增强了对用户和商品特征的学习，因而根据用户特征和商品特征预测得到的评分精度更高。通过采用注意力机制实时计算特征权重，非线性地、动态地融合用户节点特征和商品节点特征，进一步提高了推荐系统预测评分的准确度。
-
公开(公告)号：CN114548112B
公开(公告)日：2025-04-29
申请号：CN202210047416.3
申请日：2022-01-17
Applicant: 吉林大学
IPC: G06F40/30 , G06F40/289 , G06N3/0442 , G06N3/049 , G06N3/084 , G06N3/0455 , G06N3/042
Abstract: 本发明提供的一种基于时间关系抽取文本因果关系的方法及系统，包括：对句子中的词之间的关系进行标注，生成关系矩阵；构建TC‑GAT模型；通过所述句子中的词和所述关系矩阵对所述TC‑GAT模型进行训练；通过训练好的TC‑GAT模型抽取所述句子的因果关系。本发明通过均衡图注意力机制和自注意力机制的图神经网络模型，提高因果关系抽取准确度的方法。
-
公开(公告)号：CN112417219B
公开(公告)日：2022-07-01
申请号：CN202011276695.8
申请日：2020-11-16
Applicant: 吉林大学
IPC: G06F16/901 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于超图卷积的超边链接预测方法，旨在通过采用超边建模网络数据中的多元关联关系，实现潜在超边链接关系的预测，从而克服基于成对关系的网络数据进行研究的传统方法所带来的局限。该模型的步骤为：1.通过特征提取构建特征矩阵，将原始网络邻接矩阵转换为超图关联矩阵；2.融合超图卷积实现超图卷积自动编码器，将超图网络数据转换成一种低维空间表示；3.加入节点近邻度函数，最大程度的保留其结构信息；4.通过迭代优化获得鲁棒的隐层向量表示从而预测潜在的超边关联关系。
-
Patent Agency Ranking
公开(公告)号：CN114548112A
公开(公告)日：2022-05-27
申请号：CN202210047416.3
申请日：2022-01-17
Applicant: 吉林大学
IPC: G06F40/30 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明提供的一种基于时间关系抽取文本因果关系的方法及系统，包括：对句子中的词之间的关系进行标注，生成关系矩阵；构建TC‑GAT模型；通过所述句子中的词和所述关系矩阵对所述TC‑GAT模型进行训练；通过训练好的TC‑GAT模型抽取所述句子的因果关系。本发明通过均衡图注意力机制和自注意力机制的图神经网络模型，提高因果关系抽取准确度的方法。
-
公开(公告)号：CN113555087A
公开(公告)日：2021-10-26
申请号：CN202110813909.9
申请日：2021-07-19
Applicant: 吉林大学第一医院
Abstract: 本发明属于人工智能技术领域，具体为一种基于卷积神经网络算法的人工智能阅片方法，包括步骤一：获取待检测目标图像；步骤二：图像区域选择；步骤三：目标特征提取；步骤四：根据特征进行目标分类；步骤五：对目标边界框回归；步骤六：结构优化；步骤七：完成目标检测，其结构合理，提高了甲状腺彩超诊断的准确性，防止术前甲状腺彩超的误诊，输入输出均为程序运行，消除了人为因素在影像诊断中的作用，比传统的方法能够更好的识别图像特征。而且这种逐步分级学习改进算法的能力，更加适合程序的改进，是目前AI中对医学影像图像诊断准确率最高的方法。
-
公开(公告)号：CN112380434A
公开(公告)日：2021-02-19
申请号：CN202011276253.3
申请日：2020-11-16
Applicant: 吉林大学
IPC: G06F16/9535 , G06Q30/06
Abstract: 本发明涉及一种融合异质信息网络的可解释推荐系统方法，特别涉及一种基于元路径和深度神经网络方法的的离线推荐系统方法。该方法应用元路径在异质信息网络上提取辅助信息生成的相似度矩阵作为补充信息。应用矩阵分解方法对相似度矩阵进行矩阵分解，得到对应元路径的多组用户和商品的特征表示。利用注意力神经网络来区分组合基于不同类型元路径获得的表示，最后利用深度神经网络来组合表示向量得到预测评分，同时选择重要的元路径生成解释。
-
公开(公告)号：CN111460320A
公开(公告)日：2020-07-28
申请号：CN202010251715.X
申请日：2020-04-01
Applicant: 吉林大学
IPC: G06F16/9536
Abstract: 本发明涉及一种超核及其在符号网络社区发现中的应用算法，基于对网络密集局部的观测，首先定义了“超核”的概念，提出根据“壳”与“层”递减排序选取超核，从超核出发，提取子网络C1，然后与残余网络C2根据局部优化函数如模块度ΔQ进行推拉式交换，递归实现类簇的抽取，得到启发式自适应社区发现算法：算法1基于超核的社区划分算法、算法2簇间正边的推拉算法和算法3簇内负边的推拉算法。本发明提供一种完全无监督的社区发现算法，不仅可以用于无符号网络，而且可以用于符号网络，所定义的超核反应了复杂网络中链接密集的子网结构，识别“团”的复杂度较高，而识别超图的复杂度相对很低，算法能自动发现簇的个数，完全无监督。
-
公开(公告)号：CN103064945A
公开(公告)日：2013-04-24
申请号：CN201210575284.8
申请日：2012-12-26
Applicant: 吉林大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于本体的情境搜索方法，旨在克服现有技术存在精准度不够、个性化不足、智能性缺失与情境被忽视等问题。该方法的步骤为：1.由网页情境解析与表示模块对采集到的网页进行解析并表示网页情境信息；2.由用户情境挖掘与表示模块实现用户情境挖掘与表示并和第1步骤同时进行，3.由情境索引模块设计融入网页情境信息的索引结构；4.由情境扩展模块实现情境扩展即形成查询情境，所述的情境扩展是指利用用户情境，在情境级别上对查询词进行扩展，限定查询词所属的语境，形成查询情境；5.由情境查询处理模块实现情境查询处理：其步骤为：1）情境推荐；2）情境检索；3）情境排序；排序之后的结果就可以提供到用户查询界面中。
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.022 seconds)
