-
公开(公告)号：CN115357783B
公开(公告)日：2023-06-06
申请号：CN202210918943.7
申请日：2022-08-01
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC: G06F16/9535 , G06F16/958 , G06F16/335 , G06F40/289 , G06F40/30
Abstract: 一种基于结构化多兴趣协同的企业服务快讯推荐方法，通过附加选择器以增强快讯的特征，有效增强了最终的企业服务快讯表示；本发明提出的用户兴趣表示学习方法通过构建用户兴趣结构无向图，利用图注意力网络可以一种显示的方式结构化编码用户的多种潜在兴趣，这可以提取更加精确的用户兴趣表示；本发明提出的用户兴趣表示学习方法充分考虑了用户多种潜在兴趣之间的相互作用，利用自注意力网络模拟兴趣之间的作用关系有效增强了用户兴趣表示；本发明得益于良好的企业服务快讯表示学习方法和用户兴趣表示学习方法，有效提高了企业服务快讯推荐的准确性。
-
公开(公告)号：CN115329211B
公开(公告)日：2023-06-06
申请号：CN202210918860.8
申请日：2022-08-01
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC: G06F16/9536 , G06F16/958 , G06N3/042 , G06N3/09 , G06Q50/00
Abstract: 一种基于自监督学习和图神经网络的个性化兴趣推荐方法，使用自监督的图对比学习的方法预训练兴趣点特征表示向量，深度学习兴趣点之间的流行度访问行为模式，训练图编码器模型，使兴趣点特征向量融合空间关联性和交互行为关联性。同时在下游推荐任务中将目标用户个人的兴趣点交互图通过预训练中训练好的图编码器模型学习用户个人的长期行为模式作为长期兴趣，以达到个性化的目的。大大提高了模型的泛化能力和推荐召回率，实现根据兴趣个性化解决用户出行需求的目的。
-
公开(公告)号：CN115357805A
公开(公告)日：2022-11-18
申请号：CN202210920144.3
申请日：2022-08-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08
Abstract: 一种基于内外部视角的群组推荐方法，基于外部视角，将群组与餐厅和用户与餐厅的交互看作两个独立的过程，利用图卷积分别学习这两种交互行为中隐含的偏好信息，使模型学习到用户作为个体时的个人偏好以及群组作为整体时的固定偏好。基于内部视角，将群组决策过程中成员之间存在的互动商讨过程考虑在内，采用图注意力神经网络学习此过程中产生的成员间的相互影响，使模型能够准确捕捉受影响后的成员偏好变化。基于内部视角，不同成员在群组中的作用与影响力不同，导致在群组决策中的贡献度不同，采用注意力机制学习成员贡献度大小，能够以一种动态的方式学习聚合策略，更好的权衡不同成员的偏好，解决偏好冲突问题。
-
公开(公告)号：CN115357785A
公开(公告)日：2022-11-18
申请号：CN202210936398.4
申请日：2022-08-05
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC: G06F16/9535 , G06F16/958 , G06F16/335 , G06F40/289 , G06F40/30
Abstract: 一种基于语义交互和局部激活的企业资讯推荐方法，通过SIN企业资讯编码器可以在标题和内容之间进行单词级语义交互，缓解了独立编码标题和内容时的语义偏差，有效增强了企业资讯表示。通过LAU用户编码器更加符合用户的真实的行为习惯，可以分区域处理用户点击历史，以细粒度的方式有效捕获用户的各种潜在兴趣。提出的LAU用户编码器可以利用候选企业资讯激活相关的关键性潜在兴趣，并结合注意力机制使其保留到了最终交互阶段，这有效增强了用户兴趣表示；上述三点的成功使得我们的方法有效提高了企业资讯推荐的准确性。
-
公开(公告)号：CN114741572A
公开(公告)日：2022-07-12
申请号：CN202210364463.0
申请日：2022-04-08
Applicant: 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC: G06F16/9035 , G06F16/9038 , G06F16/906
Abstract: 一种基于图卷积神经网络群组发现的群组推荐方法，根据电影主题类别将用户—电影交互数据划分为数据子集，使用各数据子集构建用户—电影交互图，通过图卷积网络从交互图中学习用户/电影嵌入表示，然后利用Kmeans算法进行群组发现，通过均值融合策略，将群组成员嵌入表示融合为群组嵌入表示，最后将群组嵌入表示与电影嵌入表示进行内积得到群组对电影的预测偏好得分，根据偏好得分向群组推荐电影。侧重于群组发现阶段的用户嵌入获取方法，考虑了群组的内部一致性对群组推荐算法性能的影响，将用户—电影的交互信息融入用户/电影的特征信息之中，提高了群组发现中的用户嵌入表示的准确度，进而增强了群组推荐算法的性能。
-
Patent Agency Ranking
公开(公告)号：CN110840445B
公开(公告)日：2021-07-20
申请号：CN201911279110.5
申请日：2019-12-12
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 一种动态心电信号的自动降噪方法，通过生成器输入有噪声的心电信号，通过不断的训练学习后产生干净的无噪声的心电信号，并自定义了损失函数，判别器对生成最后输出的干净信号和原始干净的心电信号进行判别，如果信号一致则输出为真，否则输出假。最后通过不断的学习实现动态心电信号降噪的目的。可以从混有噪声的动态心电信号当中过滤噪声，获得干净的原始心电信号。通过建立动态心电信号噪声模型,实现了如何有效地去除动态心电数据存在的各种复杂噪声，保留信号中的有效成分，提高心电信号的质量。
-
公开(公告)号：CN110321473B
公开(公告)日：2021-05-25
申请号：CN201910424586.7
申请日：2019-05-21
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本公开提供了一种基于多模态注意力的多样性偏好信息推送方法、系统、介质及设备，本公开对商品交易数据集进行预处理并对对应的用户评论信息和商品图片信息进行特征提取；通过融合用户的评论信息和商品的图片信息特征得到商品的多模态表示；将获得的商品的多模态表示、用户向量和商品向量输入到神经网络模型中，最后通过计算用户向量和商品向量之间的欧式距离来估计用户对商品的偏好程度，依据偏好程度的排序，进行信息的推送或显示；本公开利用多模态信息提升了模型的推荐效果，通过注意力机制解决了用户偏好的多样性问题。
-
公开(公告)号：CN111917490B
公开(公告)日：2021-05-18
申请号：CN202010707542.8
申请日：2020-07-21
Applicant: 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心)
IPC: H04B13/00
Abstract: 一种基于随机几何的无线体域网共存数值的计算方法，针对无线体域网共存的干扰问题，采用随机几何的方法，建立了无线体域网共存的网络泊松聚块模型，分析了无线体域网共存的性能，根据计算无线体域网在一定的分布密度共存时的发送成功概率和MAC层的CSMA协议竞争信道分析，得出了无线体域网共存的网络数值，可以有利于分析无线体域网络共存的性能，为设计无线体域网提供了理论依据和参考。
-
公开(公告)号：CN111176302B
公开(公告)日：2021-04-20
申请号：CN202010145290.4
申请日：2020-03-04
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G05D1/02
Abstract: 一种输入饱和的自动驾驶汽车路径跟踪控制方法，通过设计鲁棒H∞路径跟踪控制器，解决了自动驾驶汽车路径跟踪控制的网络时延和输入饱和问题，提高了车辆在极端行驶条件下的路径跟踪性能。通过对车辆侧向速度和横摆角速度的调节，在实现自动驾驶汽车路径跟踪控制的同时提高了车辆的操作稳定性。自动驾驶汽车鲁棒H∞路径跟踪控制增益矩阵可以通过求解线性矩阵不等式得到，计算简便。该路径跟踪控制设计综合考虑了车辆动力学模型的不确定性和外界扰动的影响，提高了路径跟踪控制算法的鲁棒性。通过设计静态输出反馈控制器，在实现理想的路径跟踪控制的同时，大大降低了控制系统的成本。
-
公开(公告)号：CN110263684B
公开(公告)日：2021-02-09
申请号：CN201910489830.8
申请日：2019-06-06
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 一种基于轻量级神经网络的心电图分类方法，通过单导联心电图数据和轻量级神经网络模型实现心律失常自动分类的方法。首先，肢体II导联心电信号蕴含足够的信息；其次，使用卷积核大小为1的卷积层和全局平均池化层压缩特征维度；最后使用流线型的深度可分离卷积快速提取特征。利用单导联数据集和轻量级神经网络模型可以在保证模型准确率的基础上大幅度提高模型运算速度。
-
-
-
-
-
-
-
-
-
Search Results
167
records
(took 0.052 seconds)
