-
公开(公告)号：CN101093546A
公开(公告)日：2007-12-26
申请号：CN200710043659.5
申请日：2007-07-11
Applicant: 苏州大学
Abstract: 本发明公开了一种数字图像轮廓形态的识别方法，属于计算机模式识别技术领域。它以长轴长度、左短轴长度、右短轴长度、左右短轴间的距离和左右短轴长度差的绝对值为数字图像轮廓形态的5个识别特征值，输入计算机完成数字图像轮廓形态的识别。特征值的获取方法为：在图像的轮廓线上取n点，通过依次求得每一点与其余各点相连接的线段的长度后再求得长轴及其长度值；在长轴的两个端点范围内，从左、右两部分的图像轮廓上分别得到到长轴距离最长的左短轴、右短轴及其它们的长度值，从而获得数字图像轮廓形态的5个识别特征值。该方法在降低运算复杂度的同时保障求解的精度，提高了工作效率，实现了计算机大批量识别形状不规则物体的分捡与检验。
-
公开(公告)号：CN111522962B
公开(公告)日：2023-05-02
申请号：CN202010277778.2
申请日：2020-04-09
Applicant: 苏州大学
IPC: G06F16/36 , G06F16/9535 , G06N3/084 , G06N3/048
Abstract: 本申请公开了一种序列推荐方法、装置及计算机可读存储介质。其中，方法包括预先将用户集‑项目集构成的双向图和知识图谱结合并统一为混合知识图谱；将待推荐用户和混合知识图谱的历史交互序列输入序列推荐模型中；该模型包括知识图嵌入模块、图注意力网络和循环神经网络；知识图嵌入模块将混合知识图谱的所有节点编码为向量，图注意力网络根据每个节点的嵌入和相邻节点的嵌入递归更新各节点的嵌入以捕获全局的用户‑项目和项目‑项目之间的关系；循环神经网络对用户交互序列项目进行编码以获取用户的动态偏好；最后根据该模型的输出确定待推荐用户的推荐序列信息，从而基于知识图中实体与局部图上下文之间的高阶依赖关系进行高准确度的序列推荐。
-
公开(公告)号：CN109544306B
公开(公告)日：2021-09-21
申请号：CN201811455642.5
申请日：2018-11-30
Applicant: 苏州大学
Abstract: 本发明公开了一种基于用户行为序列特征的跨领域推荐方法，包括：分别获得目标用户在辅助域和目标域的交互项目序列，通过跨领域推荐模型的嵌入层分别获得目标用户在辅助域和目标域中的用户嵌入矩阵和项目嵌入矩阵，然后经过LSTM层分别获取目标用户在辅助域和目标域中的总偏好特征，最后经过MLP层处理，将用户在辅助域中的总偏好特征迁移到目标域中，通过计算得到目标用户在目标域中对每个项目的喜好得分，并在目标域中为目标用户推荐接下来一段时间内可能购买或者访问的项目。应用本发明实施所提供的技术方案，提高了目标域的推荐准确性，提升了推荐性能。本发明还公开了一种基于用户行为序列特征的跨领域推荐装置，具有相应技术效果。
-
公开(公告)号：CN110659962A
公开(公告)日：2020-01-07
申请号：CN201910893796.0
申请日：2019-09-20
Applicant: 苏州大学
Abstract: 本申请公开了一种商品信息输出方法，通过在商品信息输出的过程中加入美学特征，考虑到被输出商品的多样性，从而缓解数据稀疏性问题，并且在第一商品和第二商品之间进行交叉迁移，整合来自不同领域中的用户偏好特征，使得推荐输出的参考要素增多，而不是只采用用户的历史数据进行推荐展示，提高商品推荐展示的准确性，以便向用户输出感兴趣的商品，提高用户的体验。本申请还公开了一种输出商品信息的计算机设备、计算机设备以及计算机可读存储介质，具有以上有益效果。
-
公开(公告)号：CN110119467A
公开(公告)日：2019-08-13
申请号：CN201910398877.3
申请日：2019-05-14
Applicant: 苏州大学
IPC: G06F16/951 , G06F16/9535
Abstract: 本发明公开了一种基于会话的项目推荐方法、装置、设备及计算机可读存储介质；在本方案中，通过用户的历史会话序列构建出一个有向的会话结构图，基于该会话结构图，图神经网络能够捕捉相邻项目之间的转换，并且生成该图中所有节点的隐含状态向量，然后运用自注意力机制来建模长距离依赖，最后把用户的全局偏好和当前局部偏好的线性组合作为当前会话的隐含向量来预测下一次点击的概率，本方案利用自注意力网络和图神经网络的互补优势，实现了对项目的精准推荐。
-
Patent Agency Ranking
公开(公告)号：CN103927394B
公开(公告)日：2017-06-16
申请号：CN201410184086.8
申请日：2014-05-04
Applicant: 苏州大学
Abstract: 本申请公开了一种基于SVM的多标签主动学习分类方法及系统，所述方法包括：构建候选样本集；确定所述候选样本集内各样本所属的标签集；响应用户操作，将所述候选样本集及候选样本集内各样本所属的标签集进行标注，得到标注的样本；将所述标注的样本加入训练样本集进行训练，更新分类器；利用所述分类器对获取的待分类样本进行分类。所述基于SVM的多标签主动学习分类方法，通过初步确定样本所属的标签集，从而在很大程度上节约了人力成本以及人工标注的时间，从而在节省人力的基础上，还解决了多标签样本的学习分类问题。
-
公开(公告)号：CN103617435B
公开(公告)日：2017-01-25
申请号：CN201310688907.7
申请日：2013-12-16
Applicant: 苏州大学
IPC: G06K9/66
Abstract: 本发明公开一种主动学习图像分类方法和系统，该方法针对原始的未标注图像样本集，首先仅考虑各样本的不确定性，从原始未标注图像样本集中获取不确定性较高的各图像样本，构成最不确定图像样本集；之后，衡量最不确定图像样本集中各样本的代表性，从中获取代表性较高的各样本，组成最具代表性图像样本集；后续对选取的不确定性和代表性较高的样本进行标注、分类器训练，以及利用训练的分类器对目标图像进行分类。可见，本发明采用分层次衡量的方式，首先基于不确定性缩减、筛选样本，之后对不确定性较高的缩减了样本规模的最不确定图像样本集进行代表性衡量，在保证了样本的不确定性和代表性的同时，降低了采样处理时间和工作量，提高了处理效率。
-
公开(公告)号：CN103559420B
公开(公告)日：2016-09-28
申请号：CN201310589362.4
申请日：2013-11-20
Applicant: 苏州大学
IPC: G06F19/00
Abstract: 本申请公开了一种异常检测训练集构建方法及装置，该方法将获取到的样本数据集合确定为当前数据集合，依据接收到的各个当前标注指令，在当前数据集合中获取已标注数据，将已标注数据加入第一数据集合，将未标注数据组成第二数据集合，判断异常点数据的个数是否达到预设数值，若是，依据已标记数据和未标记数据生成训练集，若否，依据第一数据集合计算未标注数据的异常点概率，依据异常点概率对所述未标注数据进行排序，并确定为当前数据集合，返回执行获取各个当前标注指令。与现有技术单次计算异常点概率相比，本方法利用已标注数据对未标注数据重新计算异常点概率，依据异常点概率排序后异常点排序前移，可减少标注次数，提高训练集构建效率。
-
公开(公告)号：CN104182518A
公开(公告)日：2014-12-03
申请号：CN201410420928.5
申请日：2014-08-25
Applicant: 苏州大学
CPC classification number: G06F17/30867 , G06Q30/0202
Abstract: 本申请公开了一种协同过滤推荐方法及装置，方法为：预先建立表征用户间近邻关系、项目间近邻关系、用户与项目间实际行为关系和用户与项目间预测行为关系的第一矩阵、第二矩阵、第三矩阵和第四矩阵，利用用户实际行为数据更新第三和第四矩阵，利用用户预测行为数据更新第四矩阵，利用第三和第四矩阵更新第一和第二矩阵，选取用户与项目的实际行为关系值为零的组合，对选取的用户与项目进行评分预测，判断评分值与上一轮预测的评分值的偏差是否小于阀值，若否，则将其作为用户预测行为数据返回更新第四矩阵步骤，直至预测评分值小于阀值，依据该评分值确定是否将项目推荐给用户。本申请考虑了用户间、项目间的关系，使得推荐结果更精确。
-
公开(公告)号：CN102722720B
公开(公告)日：2014-02-26
申请号：CN201210166509.4
申请日：2012-05-25
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于HSV空间在线聚类的视频背景提取方法，采用聚类方法实现，对一段视频训练帧，以像素点在HSV空间的三个通道的值为聚类分类依据，分别提取每个像素点在HSV空间的H、S和V值，对每个像素点，分别按H、S和V值进行聚类，其中，根据当前帧与前一帧在HSV空间中H值之差的绝对值、S值之差的绝对值和V值之差的绝对值之后更新聚类阈值，分别计算H、S、V值与对应通道中各个聚类的聚类中心之间的最近距离，将三个最近距离之和与聚类阈值比较确定聚类；用包含元素数目最多的聚类的聚类中心作为该像素点的当前背景值。本发明得到比灰度背景图像更优的彩色背景，具有良好的背景提取能力和可行性。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.063 seconds)
