-
公开(公告)号：CN114565429B
公开(公告)日：2024-06-14
申请号：CN202210163386.2
申请日：2022-02-22
Applicant: 哈尔滨工程大学
IPC: G06Q30/0601 , G06N5/02 , G06F18/22 , G06F18/243 , G06F17/18
Abstract: 本发明提出了一种基于语义图模型的智能供应商匹配方法，输入供应商和需求的结构化数据；构建供需描述模型，将供应商和需求的结构化数据转为图结构；根据节点类型的不同，计算需求与每个供应商同类型节点间相似度；结合极大熵原理，建立权重优化模型，对模型求解得到指标权重；依据指标权重，给节点和边分配权重；调用图匹配算法，计算图匹配度，通过入口节点的选取降低时间复杂度，然后过滤低于阈值的供应商，得到针对该需求的供应商排序集合；本发明可以让用户只需要输入计划采购的产品需求和企业要求，既能得到相匹配的供应商集合，匹配概念相似的产品，同时应用于在供应商集中寻找符合需求的实例，以及在需求集中寻找最符合供应的需求。
-
公开(公告)号：CN117010389A
公开(公告)日：2023-11-07
申请号：CN202310801931.0
申请日：2023-07-03
Applicant: 哈尔滨工程大学
IPC: G06F40/295 , G06F18/25 , G06N3/0499 , G06N3/0895 , G06V10/40 , G06V10/82
Abstract: 基于去偏置对比学习的多模态融合命名实体识别方法、设备、介质和产品，属于知识挖掘和知识管理技术领域，解决多模态融合命名实体识别准确度低问题。本发明的方法包括：建立多模态融合模块来生成跨模态语义信息，在该模块中添加跨模态门控机制去除模态间噪声；该模块还引入一个去偏置对比学习方法，引入难分样本挖掘策略来处理视觉对象数量上的偏差，并引入去偏置对比损失。其次，本发明采用GlobalPointer(GP)作为NER解码器用来提升模型对实体边界信息处理能力，设计一个交叉熵损失函数来促使模型学习每个训练支持实例的跨度边界信息。本发明适用于命名实体识别，具体为将文本和图像等多种模态数据结合起来，挖掘文本和图片中的语义关系。
-
公开(公告)号：CN112906941B
公开(公告)日：2022-12-06
申请号：CN202110083073.1
申请日：2021-01-21
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种面向动态相关空气质量时间序列的预测方法及系统，其中，该方法包括：获取网格气象数据，利用图像卷积法对其进行处理得到污染物时间序列；采用多特征聚类法根据上述数据的不同特征与多种空气污染物之间的相关性对特征分组；根据ARIMA模型对污染物时间序列进行拟合，获得残差序列和一部分预测值，并将其放入特征组中，根据不同特征组的数据是否为序列形式将其输入到不同的编码器中，然后将结果融合后输入解码器中进行预测得到另一部分预测值；利用CNN对历史空气质量数据进行卷积得到空气质量时间序列，并使用ARIMA模型处理得到第三部分预测值，通过softmax函数将上述三部分预测值加权求和，得到最终预测结果。
-
公开(公告)号：CN114565429A
公开(公告)日：2022-05-31
申请号：CN202210163386.2
申请日：2022-02-22
Applicant: 哈尔滨工程大学
Abstract: 本发明提出了一种基于语义图模型的智能供应商匹配方法，输入供应商和需求的结构化数据；构建供需描述模型，将供应商和需求的结构化数据转为图结构；根据节点类型的不同，计算需求与每个供应商同类型节点间相似度；结合极大熵原理，建立权重优化模型，对模型求解得到指标权重；依据指标权重，给节点和边分配权重；调用图匹配算法，计算图匹配度，通过入口节点的选取降低时间复杂度，然后过滤低于阈值的供应商，得到针对该需求的供应商排序集合；本发明可以让用户只需要输入计划采购的产品需求和企业要求，既能得到相匹配的供应商集合，匹配概念相似的产品，同时应用于在供应商集中寻找符合需求的实例，以及在需求集中寻找最符合供应的需求。
-
公开(公告)号：CN110633285A
公开(公告)日：2019-12-31
申请号：CN201910917374.2
申请日：2019-09-26
Applicant: 哈尔滨工程大学
IPC: G06F16/22 , G06F16/2458 , G06F21/62
Abstract: 本发明公开了一种满足差分隐私的不确定数据频繁项集挖掘方法，所述方法包括以下步骤：步骤1：计算频繁1-项集候选集，去掉非频繁项，使事务中项按支持度降序排列；步骤2：根据预处理后数据集生成UFP-tree树形结构的同时将隐私预算分配到UFP-tree树形结构节点中；步骤3：采用递归与枚举结合的方式从UFP-tree树形结构中挖掘频繁项集，挖掘过程中回收被剪枝节点的隐私预算；步骤4：采用指数机制从挖掘出的项集中选择k个，打分函数为项集的期望支持度，对未被选中的频繁项集的隐私预算再次回收并分配给选中的1-项集。本发明通过降低匿名率，关联属性共同置换，在保证隐私保护强度的同时，提高数据的可用性。
-
Patent Agency Ranking
公开(公告)号：CN109409216A
公开(公告)日：2019-03-01
申请号：CN201811086897.9
申请日：2018-09-18
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于子载波动态选择的速度自适应室内人体检测方法，训练阶段包括信道状态信息的获取及预处理；信道状态信息去噪；信道状态信息特征值提取；信道状态信息分类训练，检测阶段包括信道状态信息预处理；提取窗口内的特征值：按照窗口分割进行特征值提取，所述特征值作为人体检测的验证数据；人体检测。该方法可以防止由于慢速移动对信道状态信息影响不明显，而造成检测结果不准确的情况发生，有效的解决检测环境中存在慢速移动的人体时，检测漏报率较高的问题。
-
公开(公告)号：CN103176961B
公开(公告)日：2017-02-08
申请号：CN201310069560.8
申请日：2013-03-05
Applicant: 哈尔滨工程大学
IPC: G06F17/27
Abstract: 本发明的目的在于提供一种基于潜在语义分析的迁移学习方法，包括以下步骤：对训练数据做去停用词、词干化处理，分别计算源领域与目标领域词汇权重，得到词汇-文本矩阵M，对矩阵M进行奇异值分解，将M中词汇与文本映射到低维潜在语义空间，去除源领域中同义词噪音影响，调整矩阵M结构，从源领域中找出与目标领域文本关联度较大的词汇作为迁移词，再对矩阵M结构进行调整，分析调整后的矩阵M中目标领域词汇，得到目标领域数据新的特征表示，在训数据集中得到最终分类器，对测试数据集S进行分类。
-
公开(公告)号：CN103020122B
公开(公告)日：2015-09-30
申请号：CN201210464867.3
申请日：2012-11-16
Applicant: 哈尔滨工程大学
IPC: G06F17/30
Abstract: 本发明提供的是一种基于半监督聚类的迁移学习方法。包括计算目标数据与辅助数据各类中数据的相似度、平均相似度；由平均相似度得到目标数据与类标签的一个相似度权重向量，取向量中权重最大的为目标数据的标签；以目标数据为质心，进行K-均值聚类，聚类成簇，每簇中以簇中数据占所属类中总数据比例最大者的标签为簇标签；将再分类结果与预分类结果做对比；在最终形成的目标数据相似度权重向量中，挑选权重最大的数据标签作为目标数据数据标签，从而形成最终分类器。本发明提供一种将分类方法、技术从一个领域迁移到另一个领域的提高分类结果精确度的一种基于半监督聚类的迁移学习方法。
-
公开(公告)号：CN114238755B
公开(公告)日：2024-08-02
申请号：CN202111456522.9
申请日：2021-12-01
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06N3/042 , G06N3/0499 , G06N3/08
Abstract: 本发明提出基于多关系发现的个性化推荐方法，本发明使用图神经网络等技术构建基于多关系发现的个性化推荐模型，利用用户个人信息和交互序列数据，构建用户社交关系图、用户交互关系图、基于个人信息的用户潜在关系图和基于交互序列的用户潜在关系图，模型训练过程中不断更新潜在关系图，充分考虑和挖掘用户间的多种关系，大大提高了个性化推荐性能。
-
公开(公告)号：CN115757822A
公开(公告)日：2023-03-07
申请号：CN202211405144.6
申请日：2022-11-10
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC: G06F16/36 , G06F40/295 , G06F40/30 , G06F18/214
Abstract: 本发明公开了一种基于超关系的全局数据空间链接预测方法及系统，属于知识图谱补全技术领域，其中，该方法包括：获取超关系数据集，提取超关系数据集中主三元组和附加超关系事实数据，并将超关系数据集进行预处理，以划分为训练集和测试集；构建基于超关系的全局数据空间链接预测方法；利用训练集对基于超关系的全局数据空间链接预测方法进行训练；将待预测的尾实体输入到训练好的基于超关系的全局数据空间链接预测方法中，得到全部尾实体的预测得分，再将最高预测分数作为预测尾实体。该方法提升了超关系事实之间的语义交互，还充分考虑了附加超关系事实对主三元组预测的影响，通过注意力机制设置不同超关系事实的影响权重来提升预测性能。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.027 seconds)
