-
公开(公告)号：CN112818238B
公开(公告)日：2024-02-23
申请号：CN202110171240.8
申请日：2021-02-08
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00 , G06F18/23
Abstract: 本发明公开了一种自适应在线推荐方法及系统，属于推荐系统技术领域，方法包括如下步骤：根据访问用户的潜在特征向量及用户所在聚类的聚类特征向量向用户推荐产品；根据用户对推荐的产品的反馈更新用户的潜在特征向量，并根据更新后的潜在特征向量重新确定用户所在聚类；对更新后的用户所在聚类进行聚类动态更新确定用户聚类数，所述聚类动态更新包括聚类内二分类和聚类间合并。本发明提供的方法及系统能够自适应确定用户聚类数，提高用户聚类精度，更好贴合实际推荐应用场景。
-
公开(公告)号：CN116866068A
公开(公告)日：2023-10-10
申请号：CN202310991583.8
申请日：2023-08-08
Applicant: 南京邮电大学
Abstract: 本发明公开了一种智能电网下虚假数据定位检测方法，方法包括：将实时接收到的节点量测值进行归一化处理输入预先训练的神经网络模型中，得到节点上实时的重构值；计算节点的输入量测值和输出的重构值的差值，并根据重构差值得到每个节点上的异常得分；判断节点上实时的异常得分和设定的阈值的大小，若此时节点的异常得分大于阈值，则判断当前节点发生了虚假数据注入攻击，若此时节点的异常得分小于阈值，则判断当前节点未发生虚假数据注入攻击；本发明能对虚假数据注入攻击进行有效的检测和精确的定位，保证了电力系统的运行安全。
-
公开(公告)号：CN113222692B
公开(公告)日：2022-08-16
申请号：CN202110461325.X
申请日：2021-04-27
Applicant: 南京邮电大学
Abstract: 本发明公开了商品在线推荐方法和系统，根据用户关系建立用户间动态影响力矩阵，在一轮推荐中根据选定用户对于推荐的商品反馈，以及被推荐商品的特征向量对该用户潜在偏好向量的推测进行更新，根据本轮推荐的准确程度，更新动态影响力矩阵，最后基于该动态影响力矩阵更新对其余用户潜在偏好向量的预测。进入下一轮推荐。该方法能够充分利用不同用户被推荐次数不同所产生的重尾特性，根据推荐系统对于用户偏好向量掌握的准确程度不同，更新不同用户的影响力，使针对单个用户的推荐能够有效更新其他用户的潜在偏好向量，从而实现推荐资源的高效利用。
-
公开(公告)号：CN113408599B
公开(公告)日：2022-07-26
申请号：CN202110649037.7
申请日：2021-06-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于地理相关性的连续数据优化方法及系统，包括：利用数据提供者提供的包含某个目标对象的历史数据和该目标对象的已知真相数据确定数据提供者的初始化权重；计算当前时刻该目标对象与其他目标对象之间的相关度；计算当前时刻的该目标对象的聚合真相；根据当前时刻提供者提供的数据、到当前时刻累积提供的数据次数以及当前时刻的该目标对象的聚合真相，计算可信度，根据可信度更新数据提供者的权重。优点：本发明采用基于地理相关性的连续数据优化方法，有效地解决了当目标对象未采集到足够的数据时不能获得准确聚合真相的问题；本发明对于数据提供者提供的数据不足的情况，能够大大提高结果的准确，符合真相聚合的要求。
-
公开(公告)号：CN109409125B
公开(公告)日：2022-05-31
申请号：CN201811193850.2
申请日：2018-10-12
Applicant: 南京邮电大学
Abstract: 本发明公开了一种提供隐私保护的数据采集和回归分析方法，采用差分隐私来保护数据提供者的隐私，并通过补偿机制来激励提供者提供真实的数据。首先，在回归模型的分析模块，本方法采用岭回归模型，将损失函数展开成多项式混沌的形式，并在每个多项式前面的系数上加入拉普拉斯噪声，从而保证训练得到的回归模型既保护了数据提供者的隐私，又保证了模型的准确性；然后，在报酬支付模块，计算出除去数据提供者提供的数据得到的回归模型，与整体的回归模型进行比较，将以上两者的误差作为每个数据提供者报酬的量度，换言之，误差越小，也就是数据越准确，那么相应的报酬越多。简言之，通过隐私保护和适当的报酬，本方法能激励更真实的汇报数据，训练得到更准确的模型。
-
Patent Agency Ranking
公开(公告)号：CN113902578A
公开(公告)日：2022-01-07
申请号：CN202111227589.5
申请日：2021-10-21
Applicant: 南京邮电大学
IPC: G06Q50/00 , G06K9/62 , G06F16/9536 , G06F16/21
Abstract: 本发明公开了一种动态社交网络中商品传播最大化方法、系统、装置及存储介质，属于数据收集技术领域，包括：通过影响因子和易感因子的估计值获取影响力历史探索值；通过影响力的历史探索值和置信区间计算得到影响力估计值，从而得到影响力估计值集合，通过离线求解方法得到初始种子用户集合后投放至社交网络，获得激活用户集合和滑动窗口均值；响应于监测到网络发生变化，发出遗忘指令，使影响因子和易感因子忘记历史训练结果以适应新的网络，继续传播；响应于监测到网络未发生变化，更新滑动窗口均值、影响因子和易感因子，继续传播；解决了社交网络结构已知，边上的影响力未知的商品扩散最大化问题，适应了网络发生变化的情况。
-
公开(公告)号：CN113657447A
公开(公告)日：2021-11-16
申请号：CN202110794699.3
申请日：2021-07-14
Applicant: 南京邮电大学
Abstract: 本发明公开了一种数据融合方法、装置、设备及存储介质，其方法包括：获取当前批次发布的当前任务以及当前批次之前发布的历史任务；基于历史任务，通过二分类任务的正负标签的分布概率，估算出注释标签的错误率；将当前任务发送至标签注释者进行注释获得注释标签；将当前任务输入到训练好的分类器中预测获得预测标签；根据当前任务的注释标签、预测标签与注释标签的错误率，估算出预测标签的错误率；根据二分类任务的正负标签的分布概率、预测标签的错误率和注释标签的错误率，融合预测标签与注释标签，得到当前任务的最终标签；本发明达到了在没有准确标签的情况下使用分类器来辅助完成当前任务的目的，节约了劳动力并且加快了任务的完成。
-
公开(公告)号：CN113408599A
公开(公告)日：2021-09-17
申请号：CN202110649037.7
申请日：2021-06-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于地理相关性的连续数据优化方法及系统，包括：利用数据提供者提供的包含某个目标对象的历史数据和该目标对象的已知真相数据确定数据提供者的初始化权重；计算当前时刻该目标对象与其他目标对象之间的相关度；计算当前时刻的该目标对象的聚合真相；根据当前时刻提供者提供的数据、到当前时刻累积提供的数据次数以及当前时刻的该目标对象的聚合真相，计算可信度，根据可信度更新数据提供者的权重。优点：本发明采用基于地理相关性的连续数据优化方法，有效地解决了当目标对象未采集到足够的数据时不能获得准确聚合真相的问题；本发明对于数据提供者提供的数据不足的情况，能够大大提高结果的准确，符合真相聚合的要求。
-
公开(公告)号：CN112818238A
公开(公告)日：2021-05-18
申请号：CN202110171240.8
申请日：2021-02-08
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00 , G06K9/62
Abstract: 本发明公开了一种自适应在线推荐方法及系统，属于推荐系统技术领域，方法包括如下步骤：根据访问用户的潜在特征向量及用户所在聚类的聚类特征向量向用户推荐产品；根据用户对推荐的产品的反馈更新用户的潜在特征向量，并根据更新后的潜在特征向量重新确定用户所在聚类；对更新后的用户所在聚类进行聚类动态更新确定用户聚类数，所述聚类动态更新包括聚类内二分类和聚类间合并。本发明提供的方法及系统能够自适应确定用户聚类数，提高用户聚类精度，更好贴合实际推荐应用场景。
-
公开(公告)号：CN106657107B
公开(公告)日：2020-05-12
申请号：CN201611257392.5
申请日：2016-12-30
Applicant: 南京邮电大学
IPC: H04L29/06
Abstract: 本发明公开了一种SDN中基于信任值自适应启动的ddos防御方法，交换机接收到一个无法匹配的包，发送packet_in数据包至控制器；在SDN控制器中部署一个计数器，该计数器预先设定packet_in数量值，每当到达的packet_in数量等于该设定值时，计算此时间段packet_in的到达速率；然后判断packe_in到达速率是否异常；利用反向神经网络分类器对packet_in对应的交换机上的流量进行精确检测，建立一个中间层为50*50的神经网络，计算出六个特征值，将上述六个特征值作为分类器的输入，进行训练，若神经网络输出值介于0.5和1之间，则判定该流量为ddos攻击。本发明该充分利用SDN的特性：数据层的流表信息，控制层控制器对整个网络的控制等，有效防御SDN中ddos攻击。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.027 seconds)
