-
公开(公告)号：CN110162625B
公开(公告)日：2020-01-14
申请号：CN201910315886.1
申请日：2019-04-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于句内词对关系和上下文用户特征的反讽检测方法。本发明用自注意力机制(也称内部注意力机制)去分析文本中情感极性矛盾的词对。通过学习并融合用户的书写风格特征和性格特征得到用户嵌入(user embeddings)，作为反讽检测的上下文信息。同时结合LSTM网络编码文本的序列信息。这种方法能够更好的检测反讽表达，在反讽表达明显或者隐晦的情况下都可以取得不错的准确率。其中具体发明的基于句内词对关系和上下文用户特征的反讽检测模型。本发明为反讽检测提供判别依据，有利于判别没有明显矛盾词对的反讽文本。从这两个角度提高了反讽检测的准确率。
-
公开(公告)号：CN110175268A
公开(公告)日：2019-08-27
申请号：CN201910315880.4
申请日：2019-04-19
Applicant: 杭州电子科技大学
IPC: G06F16/901 , G06F16/9032 , G06F17/27
Abstract: 本发明公开了一种最长匹配资源映射方法。本发明主要为了解决从文本中检测知识库和知识图谱中的资源时，难以检测复合语义资源的问题。本发明采用的技术方案是，为待检测的语句解析为词语流，为每一个词语寻找与其相关的语义资源，然后寻找尽可能多的与原始句子中词语相关的语义资源作为资源映射的结果。同时，为了提升分类的效率，本发明在语句被进行资源映射处理之前对文本做了一定的预处理，提高了检索效率。本发明针对复合语义资源在短语检测和资源映射阶段难以得到合理映射的问题，提出针对邻域中的多个词语的组合资源映射方案，提高了多个词语映射到一个复合语义资源的问题。同时，通过一定的索引优化，提高了查询效率。
-
公开(公告)号：CN106161257B
公开(公告)日：2019-05-03
申请号：CN201610781660.7
申请日：2016-08-30
Applicant: 杭州电子科技大学
IPC: H04L12/751 , H04L12/729 , H04L12/725
Abstract: 本发明公开了一种面向SDN网络的基于链路利用率的自适应节能路由方法。针对SDN网络的特点和目前节能路由算法存在的缺陷，本发明方法将实时变化的链路利用率作为链路cost，在进行路由选择前首先获取网络拓扑结构和流量矩阵的信息。然后对网络拓扑做优化剪枝，减轻路由算法的计算时间。本路由方案在节能的同时保证QoS需求，经过运行一段时间后，输入流自动地聚集在特定的重负载链路上。最终在保证网络连通性的前提下将无负载的链路关闭。该方法在仿真网络中具有较好的节能效果和相对较低的时间复杂度。
-
公开(公告)号：CN104199845B
公开(公告)日：2018-05-29
申请号：CN201410389465.0
申请日：2014-08-08
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于主体模型的网上评论情感分类方法。本发明首先提取网站的评论。其次使用中文分词包对评论进行分词，去除人称代词、助词、数字、字母以及标点符号。然后选定各个模型参数以及需要进行分类的情感数，并进行建立模型。最后将建立的模型应用于评论的情感分类，根据情感分布来判断每篇文档的情感值。本发明代替了人力来进行评论的情感分类，解放了双手，并且效率更高，更快。
-
公开(公告)号：CN107122389A
公开(公告)日：2017-09-01
申请号：CN201710123247.6
申请日：2017-03-03
Applicant: 杭州电子科技大学
IPC: G06F17/30
CPC classification number: G06F17/30887
Abstract: 本发明公开了一种实现流式和多模式快速查找网页中URL链接的方法。本发明首先创建链接标签匹配关键词字典，在字典中加入要处理的链接标签匹配关键词记录。其次读取Web服务器返回的一个响应数据包，将响应数据包的第一个字节地址设为数据处理起始点。对读取的当前字节与链接标签关键词字典中的一个标签关键词的左端边界或右端边界进行匹配；直到该响应的所有数据包处理完毕后如果非标签缓冲区不为空，则将非标签缓冲区数据发送给客户端。本发明利用流式思想，对收到的数据包即可进行操作并转发，不需要对所有数据进行缓存才能进行操作，提高了时间效率的同时也减轻了代理服务器的负担，增强了系统的健壮性。
-
Patent Agency Ranking
公开(公告)号：CN103778207B
公开(公告)日：2017-03-01
申请号：CN201410017723.2
申请日：2014-01-15
Applicant: 杭州电子科技大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于LDA的新闻评论的话题挖掘方法。现行的话题挖掘都是针对文档等长文本，对于短文本的挖掘还有很大的距离。本发明提出了基于LDA主题模型生成事件评论中的主题，并使用维基百科概念表示评论中的特征词形成评论的空间向量，对其进行k中心点聚类，生成主题簇并展示评论。首先，将维基百科语料库建立文档反向索引列表。其次，使用LDA主题模型确定主题和主题特征词。最后，使用k中心聚类评论。本发明可以有效地提高聚类的准确率，提高评论聚类的精确度。
-
公开(公告)号：CN105162701A
公开(公告)日：2015-12-16
申请号：CN201510454337.4
申请日：2015-07-29
Applicant: 杭州电子科技大学
IPC: H04L12/721 , H04L12/751 , H04L12/753 , H04W40/02 , H04W40/24
Abstract: 本发明公开了一种在OSPF协议中改进路由算法的网络级节能方法。本发明通过将能耗因素值加入到路由协议中，通过对OSPF协议中SPF算法的修改，具体如下：步骤1.在路由器中设置能耗因素值；能耗因素值用于记路由器的能耗，该能耗因素值Pm计算如下：Pm(X)＝Pt(X)-Pi(X)；步骤2、通过对OSPF协议中SPF算法的修改，使得路由器在执行Dijkstra算法时产生的所有等价路径中选择能耗因素值总和最小的路由路。本发明使得路由器在执行Dijkstra算法时在产生的所有等价路径中选择能耗差最小的路由路径，在网络轻负载期间应用到大规模的网络时具有较为显著的节能效果。
-
公开(公告)号：CN119848190A
公开(公告)日：2025-04-18
申请号：CN202411787857.2
申请日：2024-12-06
Applicant: 杭州电子科技大学
IPC: G06F16/3329 , G06N3/042 , G06N3/08 , G06N5/022 , G06N5/04
Abstract: 本发明涉及一种结合大模型与图神经网络的知识图谱问答方法，包含问题分解模块、子问题解决模块、答案推理模块，其中在问题分解模块中本发明提出一种迭代式的问题分解方式，用以解决图神经网络方法在多跳问题中问题子图大小难以确定的困境，子问题解决模块又由问题子图检索阶段与推理路径构建阶段组成，问题子图检索阶段中本发明给出一种相似度定义方式并通过Personalized PageRank算法进行计算，同时为了提高GNN回答的准确率，后续问题的问题子图都会合并上之前问题的问题子图，以实现问题子图的动态扩展。推理路径构建阶段首先通过预训练好的图神经网络获得候选答案，然后利用BFS算法构建推理路径。最终通过答案推理模块来判断推理路径的合理性以给出子问题答案。本发明提供了一种结合大模型和图神经网络的知识图谱问答框架，有效地提升了模型在多跳问题上的表现。
-
公开(公告)号：CN113536926B
公开(公告)日：2024-12-10
申请号：CN202110659972.1
申请日：2021-06-15
Applicant: 杭州电子科技大学
IPC: G06V40/20 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/84 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于距离向量和多角度自适应网络的人体动作识别方法。本发明步骤如下:利用Openpose工具对数据集中视频的每一帧进行人体骨骼点检测来生成带有骨骼点坐标以及骨骼点名称的视频数据集2；将视频数据集2输入到多角度自适应网络中，利用LSTM网络以及卷积网络自动学习确定转变到最佳视角所需要的旋转参数与位移；根据旋转参数与位移，将骨骼点坐标转化成最佳视角下的骨骼点坐标；计算最佳视角下骨骼点之间的距离向量，包括空间距离与方向；将最佳视角下的骨骼点坐标、动作类别名称以及骨骼点之间的距离向量输入到时空图卷积网络中；时空图卷积网络学习时间与空间的特征，对最终动作类别进行判断。本发明具有很好的鲁棒性与精确度。
-
公开(公告)号：CN118673908B
公开(公告)日：2024-11-22
申请号：CN202411147467.9
申请日：2024-08-21
Applicant: 杭州电子科技大学
IPC: G06F40/279 , G06N3/0455 , G06F18/25 , G06F18/15 , G06F18/22 , G06F40/253 , G06F40/30 , G06F40/232
Abstract: 本发明公开了一种基于多维动态候选集的文本纠错方法，包括如下步骤：步骤1、从汉字识别文本纠错的SIGHAN系列数据集中获取输入文本S；步骤2、对于输入文本S，通过文本编码器编码将token嵌入、segment嵌入、position嵌入、词性嵌入通过向量加法进行合并，得到输入文本的最终嵌入表示，以及相应的嵌入序列E；步骤3、将得到的嵌入序列E，输入到检错网络，并利用注意力机制来检错可能发生错的字符，输出错误序列L以及错误序列L的错误概率P；步骤4、将错误序列L和嵌入序列E输入到语言模型中，使用软遮盖编码将两者组合成SOFT＇编码；步骤5、将SOFT＇编码作为输入，利用预训练的BERT语言纠错模块和特征融合模块组成的纠错网络对错误字符进行纠正，最终输出正确字符。
-
-
-
-
-
-
-
-
-
Search Results
204
records
(took 0.029 seconds)
