-
公开(公告)号：CN103646066A
公开(公告)日：2014-03-19
申请号：CN201310645566.5
申请日：2013-12-03
Applicant: 东南大学
IPC: G06F17/30
CPC classification number: G06F17/30997
Abstract: 本发明公开了一种基于定性和定量用户偏好选择可信web服务的方法，首先计算用户U与其他用户的定性偏好相似度和定量偏好相似度，然后计算每个用户Uj的不同权重，最后将所有web服务的权重排序，选择权重最高的web服务提供给用户U。本发明方法在服务选择过程中将用户的偏好和服务的信任度结合在一起，可以在用户苛刻的条件下获得高质量的结果。
-
公开(公告)号：CN103577899A
公开(公告)日：2014-02-12
申请号：CN201310583125.7
申请日：2013-11-19
Applicant: 东南大学
IPC: G06Q10/04
Abstract: 本发明公开了一种基于可靠性预测与QoS相结合的服务组合方法，首先，根据用户的QoS约束进行服务的局部选择，把全局QoS约束分解成局部约束，然后在每个服务集合中选择局部较优的实体服务，最后对这些QoS属性较优的服务的可靠性进行预测，把预测结果作为最终组合方案选择的一个决定因素。这样既考虑了服务当前的QoS满足情况，又考虑它们在未来一段时间内的可靠性变化情况，然后根据用户偏好，决定这两者之间的权重关系，使得选出的服务在当前QoS约束和未来可靠性上达到一种折中，得到高效可靠的系统。
-
公开(公告)号：CN112882914B
公开(公告)日：2024-12-24
申请号：CN202110254806.3
申请日：2021-03-09
Applicant: 东南大学
IPC: G06F11/34
Abstract: 本发明公开一种开源软件生态系统健康性的多维度度量系统；首先，从开源软件生态系统的定义出发，利用节点之间的依赖关系，采用Louvain社区发现算法找到复杂网络中存在的软件生态系统；然后，从四个维度来度量开源软件生态系统的健康性，即生产力、规模性、稳定性、结构性，给出了每个维度合适的评价指标，建立了多维度度量指标体系；最后，将健康性的定义定量化，给每个开源软件生态系统健康性打上标签，给出了基于神经网络的健康性度量方法。本发明在对软件生态系统健康性定义定量化的基础上，采用基于神经网络的方法度量软件生态的健康性，以避免主观因素带来的影响。
-
公开(公告)号：CN112883288B
公开(公告)日：2024-07-19
申请号：CN202110264009.3
申请日：2021-03-09
Applicant: 东南大学
IPC: G06F16/9536 , G06F16/9535 , G06N3/045 , G06N3/08 , G06F18/22
Abstract: 本发明公开了基于深度学习和多Agent优化的软件评审者混合推荐方法，包括以下步骤：步骤（1）主要负责系统中的资源调度与分配；步骤（2）低阶特征处理，步骤（3）评审者召回；步骤（4）评审者排序并推荐；本发明采用LFM学习项目PR的隐因子矩阵和评审者的隐因子矩阵，通过计算两个隐因子矩阵的内积填补行为特征矩阵的空缺值，降低其稀疏度，然后再使用基于项目PR的协同过滤推荐算法进行推荐。排序部分使用深度神经网络（DNN）学习评审者的通用特征向量，DNN将会学习到高阶特征组合，使得推荐更加精准。通过设计多Agent系统实现各个部分之间的协同学习，提高海量数据环境下的推荐效率。
-
公开(公告)号：CN114048361B
公开(公告)日：2024-07-16
申请号：CN202111333787.X
申请日：2021-11-11
Applicant: 东南大学
IPC: G06Q10/1053 , G06Q10/101 , G06F18/22 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/042
Abstract: 本发明提出一种基于深度学习的众包软件开发者推荐方法，所述方法包括以下步骤：步骤1：对众包平台中的任务和开发者进行建模；步骤2：基于注意力机制和深度神经网络的深度特征提取；步骤3：引入时间因素的任务相似度计算；步骤4：融合任务和开发者特征的深度神经网络预测模型，将提取的任务和开发者特征作为深度神经网络预测模型的输入。该方案利用卷积神经网络从任务和开发者的各种类型的交互中提取隐藏的结构和特征，来预测开发者在该任务上的得分，进一步提高准确度，该方法能在大规模的众包平台中取得更好的推荐精度和效率。
-
Patent Agency Ranking
公开(公告)号：CN115983254A
公开(公告)日：2023-04-18
申请号：CN202310026471.9
申请日：2023-01-09
Applicant: 东南大学
IPC: G06F40/284 , G06F40/289 , G06F40/253 , G06F40/30 , G06F16/951 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于混合神经网络的可解释中文评论情感分析方法，该方法提出了一种由分析器和解释生成器两个模块组成的可解释中文评论情感模型，其中分析器是MacBERT‑TextCNN模型，对评论的情感趋向进行分析；解释生成器是两层递归卷积神经网络(RCNN)，可以从评论中提取模型的预测依据。两个模块在模型训练时一起训练。由于深度神经网络的黑盒性质，导致现有的情感分析模型无法对模型的分析结果进行解释。本发明提出的模型添加了解释生成器，解释生成器可以从原评论中提取文本片段作为模型预测依据，提取的预测语句简短且连续，可以让分析器得出相同的结果。预测依据从一定程度上解决了深度神经网络不可解释的问题，让模型更加可信。
-
公开(公告)号：CN112883288A
公开(公告)日：2021-06-01
申请号：CN202110264009.3
申请日：2021-03-09
Applicant: 东南大学
IPC: G06F16/9536 , G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于深度学习和多Agent优化的软件评审者混合推荐方法，包括以下步骤：步骤（1）主要负责系统中的资源调度与分配；步骤（2）低阶特征处理，步骤（3）评审者召回；步骤（4）评审者排序并推荐；本发明采用LFM学习项目PR的隐因子矩阵和评审者的隐因子矩阵，通过计算两个隐因子矩阵的内积填补行为特征矩阵的空缺值，降低其稀疏度，然后再使用基于项目PR的协同过滤推荐算法进行推荐。排序部分使用深度神经网络（DNN）学习评审者的通用特征向量，DNN将会学习到高阶特征组合，使得推荐更加精准。通过设计多Agent系统实现各个部分之间的协同学习，提高海量数据环境下的推荐效率。
-
公开(公告)号：CN107609938B
公开(公告)日：2021-05-11
申请号：CN201710800298.8
申请日：2017-09-07
Applicant: 东南大学
IPC: G06Q30/06 , G06F16/2458
Abstract: 本发明公开了一种基于用户定性和定量偏好的服务推荐方法，包括如下步骤：1、获取用户偏好，并将用户偏好分为定性和定量两种方式输入；2、根据输入的用户定性和定量偏好分别计算用户的相似度；3、根据计算得出的用户相似度寻找相似用户；4、根据寻找的相似用户判断用户偏好是否缺失，如果缺失则重新补充当前的用户偏好至寻找到的相似用户内并重新进行判断，如果不缺失则进入下一步；5、根据补充完整的用户偏好进行服务推荐。本发明根据用户的偏好分为定性和定量两种形式，能够更加准确，更加符合用户需要。
-
公开(公告)号：CN107241213B
公开(公告)日：2020-05-05
申请号：CN201710295158.X
申请日：2017-04-28
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度强化学习的Web服务组合方法，针对传统服务组合方法在面对大规模服务场景下耗时长、灵活性差、组合结果不理想等问题，将深度强化学习技术和启发式思想应用于服务组合问题。此外考虑到真实环境的部分可观察性的特点，本发明将服务组合过程转化为一个部分可观察马尔可夫决策过程(Partially‑Observable Markov Decision Process，POMDP)，利用循环神经网络解决POMDP的求解问题，使方法在面对“维度灾难”挑战时仍能表现出高效性。本发明方法能够有效的提高求解的速度，保证服务组合方案的质量的基础上，自主地适应动态性服务组合环境，在大规模动态性服务组合场景下有效的提高了服务组合的效率自适应性和灵活性。
-
公开(公告)号：CN111061959A
公开(公告)日：2020-04-24
申请号：CN201911386686.1
申请日：2019-12-29
Applicant: 东南大学
IPC: G06F16/9535 , G06N3/12 , G06N20/20 , G06Q10/06
Abstract: 群智化软件开发是一种利用世界各地开发人员资源，基于竞争或协作的方式来完成复杂开发任务的新型软件开发模式。但是，目前该软件开发模式存在着信息过载、挑选任务困难，任务复杂、质量难以保证的问题。为有效解决上述问题，本发明基于群智化软件开发者的特征给其推荐适合完成的任务，从而提高软件开发的效率与质量。开发者特征主要从两个方面来衡量，分别是开发者的动态偏好和开发者的竞争力。首先，我们使用基于注意力机制的长短期记忆神经网络来获取开发者动态变化的偏好并筛选出符合开发者偏好的前N个任务。然后，针对开发者的竞争力，采用基于差分进化算法改进的XGBoost模型预测开发者在待推荐任务上的评分。最后按照预测评分的高低向该开发者推荐Top-K任务。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.023 seconds)
