-
公开(公告)号：CN103886067B
公开(公告)日：2017-01-18
申请号：CN201410105985.4
申请日：2014-03-20
Applicant: 浙江大学
Abstract: 本发明公开了一种使用标签隐含主题进行图书推荐的方法。它将图书作为文档，图书标签作为文档中的单词，采用LDA-Gibbs算法对图书标签进行主题建模，得到标签-主题模型，然后根据用户的图书阅读记录得到用户和标签的对应关系，使用LDA-inference算法得到用户-主题模型，最后根据用户在主题分布上的相似度找到兴趣相似的用户，对图书进行协同过滤推荐。本发明充分挖掘了图书标签中的语义信息，通过使用主题降低了表达用户所需的维度，减小了计算量，有助于提高推荐结果的质量，有一定的实用价值。
-
公开(公告)号：CN103559193B
公开(公告)日：2016-08-31
申请号：CN201310410816.7
申请日：2013-09-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于选择单元的主题建模方法，包括如下步骤：根据查询请求提取数据库中的搜索结果包含的单词、片段结构和单词特征；确定建模采用的主题数；随机分配产生各个片段结构主题、单词主题及二元选择子；通过Gibbs采样过程迭代地确定上述变量；根据上述变量的最终分配结果向用户反馈各个主题中的显著文档和单词，以及具有各种特征的单词表达其所在片段结构的主题的能力。本发明具有的有益效果有：可同时在多种模态数据上进行主题建模；充分利用了数据隐含的结构信息，并消除了结构限制过强的不利效果；可提供文档中单词特征与片段结构限制之间的关联度等信息，为用户在理解数据上提供帮助；具有良好的可扩展性，可作为多种应用的算法基础。
-
公开(公告)号：CN104915388A
公开(公告)日：2015-09-16
申请号：CN201510270676.7
申请日：2015-05-26
Applicant: 浙江大学
IPC: G06F17/30
CPC classification number: G06F17/30867
Abstract: 本发明公开了一种基于谱聚类和众包技术的图书标签推荐方法，该方法应用于数字图书馆系统，通过使用用户的检索点击日志构建Laplacian矩阵，并利用谱聚类对检索词进行聚类，之后通过使用众包技术，对聚类的结果进行持续的优化，最后将优化的结果应用于推荐系统中。本发明将用户的检索词作为标签，通过谱聚类和众包技术的结合提升检索词聚类的准确度，从而提高系统在标签推荐方面的准确性。
-
公开(公告)号：CN103473307A
公开(公告)日：2013-12-25
申请号：CN201310410588.3
申请日：2013-09-10
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种跨媒体稀疏哈希索引方法。包括如下步骤：（1）对多个模态数据之间的关联关系利用超图进行统一建模（2）利用字典学习框架同时学习多个模态的字典，同时施加稀疏和超图关联关系的正则约束，对每个模态的数据学习得到相应的字典（3）将学习得到的字典作为哈希函数，对新的数据利用对应模态的字典进行稀疏编码（4）利用相应的哈希策略把稀疏编码转变为稀疏编码集合从而把稀疏编码相似性计算问题转变为集合相似性计算问题，利用类似jaccard距离度量方式进行相似性计算。利用该方法可以实现基于内容的海量数据的高效跨媒体检索。用户可以通过提交任意的模态的检索例子去检索任意模态的媒体对象。
-
公开(公告)号：CN102231166A
公开(公告)日：2011-11-02
申请号：CN201110194106.6
申请日：2011-07-12
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于社会上下文约束的协同推荐方法。包括如下步骤：1）首先提取用户物品矩阵，以及社会化关系矩阵。在协同推荐中使用用户对物品的评分矩阵，或使用用户对物品点击次数或者访问关系来定义用户物品矩阵；社会化关系为系统中用户通过某些行为与其它用户之间发生的关系；2）使用带有社会上下文约束的低秩矩阵分解法来对用户物品矩阵进行填充，并使用结果矩阵为每个用户推荐N个物品；3）考虑到不同用户之间存在的差异性，对矩阵分解中社会上下文约束权重进行调整。本发明克服了传统协同过滤推荐算法的推荐信息单一以及用户物品矩阵稀释性导致的推荐结果不准确的问题，并且在推荐结果准确性上比传统的方法有明显的提高。
-
Patent Agency Ranking
公开(公告)号：CN100397401C
公开(公告)日：2008-06-25
申请号：CN200610053388.7
申请日：2006-09-14
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种用于门户网站上，对多种资源仓库统一并行检索的方法。用户在门户网站上面，动态交互地选择想要检索的资源仓库；视图综合器会依据用户的动态选择，确定相应资源仓库的检索结果在浏览器页面中的呈现区域，视图综合器将按照多个资源仓库的检索结束先后，依次更新被检索资源仓库所对应的页面区域，而不会完全刷新整个浏览器页面。该交互方式的优点在于减少用户等待检索结果的时间，充分利用页面空间显示大量检索结果。该方法规定了资源仓库的统一接口，资源仓库既可以是以数据库形式存储的原始数据，也可以是利用索引技术对原始数据处理后得到的索引数据，实现了通过配置文件添加、删除资源仓库，这样设计使得系统的部署更加灵活。
-
公开(公告)号：CN118170884A
公开(公告)日：2024-06-11
申请号：CN202410254508.8
申请日：2024-03-06
Applicant: 浙江大学
IPC: G06F16/332 , G06F16/31 , G06N5/022
Abstract: 本发明公开了一种基于蒙特卡洛树搜索进行指令增强的智能客服语言模型优化方法和系统，属于人工智能技术领域，包括：设计用于智能客服语言模型进化指令的提示，将初始指令输入智能客服语言模型，根据提示利用结合启发式函数的MCTS技术生成进化指令集；构建提示‑进化指令集形式的数据对并过滤，采用过滤后的数据对对专家模型进行指令微调，得到进化专家模型；将初始数据输入进化专家模型，利用MCTS进行指令进化，得到指令数据集；利用指令数据集对智能客服语言模型进行模型微调并增强，得到进化的智能客服语言模型。本发明为智能客服的复杂推理提供了一种新颖而有效的策略，极大提高了模型处理复杂任务的能力，具有广泛的应用潜力和实际价值。
-
公开(公告)号：CN112258262B
公开(公告)日：2023-09-26
申请号：CN202010969069.0
申请日：2020-09-15
Applicant: 浙江大学
IPC: G06Q30/0601 , G06Q30/0202 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于卷积自注意力网络的会话推荐方法。本发明包括如下步骤：1)先将会话内每个物品表示成低维向量，该低维向量由物品嵌入和位置嵌入相加而成；2)对低维向量进行序列建模和意图建模，序列建模捕捉会话的序列信息，意图建模捕捉会话的关键意图信息；3)基于得到的拼接序列信息和关键意图信息，有选择地预测用户下一步点击重复物品或不重复物品。和现有技术相比，首先，本发明可以捕捉会话内不同片段之间的相互依赖，得到会话片段敏感的物品表示。然后，本发明使用双向线性解码器，降低了模型的参数量并提升模型的性能和鲁棒性。最后，本发明使用高斯偏移改进注意力层，计算高斯权重因子，以此来提升重复推荐解码器的性能。
-
公开(公告)号：CN116580782A
公开(公告)日：2023-08-11
申请号：CN202310353609.6
申请日：2023-03-30
Applicant: 浙江大学
Abstract: 本发明公开一种基于混合关系网络的小样本分子性质预测方法。本发明包括如下步骤：1)处理数据，生成多个子任务，每个任务的支持集中正负样本数相同；2)构建基于性质感知的二维分子关系图和分子分布关系图，然后使用两个分子关系图构建混合关系网络模块；3)使用分子性质的真实标签和基于化学领域知识的分子拓扑指纹知识构建一个混合先验关系图来约束混合关系网络模块的优化，进而有效实现标签传播。和现有的技术相比，本发明利用了不同关系图中蕴含的知识，有效地提升模型在小样本分子性质预测任务中的预测效果。
-
公开(公告)号：CN116451682A
公开(公告)日：2023-07-18
申请号：CN202310227612.3
申请日：2023-03-10
Applicant: 浙江大学
IPC: G06F40/247 , G06F40/151 , G06F16/901 , G06F16/28 , G06F40/40 , G06N20/00
Abstract: 本发明公开了一种基于跨文化适应的层次化语码混合增广方法。本发明首先获取不同目标语言文化的常见文化概念并组成文化概念集，然后借助多语言语义网络的上下位词关系构建文化概念适应图，再通过层次化语码混合策略将跨文化和跨语言统一起来，提高预训练多语言多模态模型在具有跨文化属性的数据集上的性能。和现有技术相比，本发明利用了语义词典的上下位词关系构建了一种无需标注的文化概念适应方法，同时利用得到的概念结合所提出的层次化语码混合方法，有效地提高预训练多语言多模态模型在具有跨文化属性的数据集上的性能。
-
-
-
-
-
-
-
-
-
Search Results
83
records
(took 0.03 seconds)
