-
公开(公告)号：CN119474406A
公开(公告)日：2025-02-18
申请号：CN202510052674.4
申请日：2025-01-14
Applicant: 安徽大学
IPC: G06F16/36 , G06F40/16 , G06F40/258 , G06F40/30 , G06N3/0442 , G06N3/045 , G06N5/025 , G06F16/31
Abstract: 本发明提供基于GLM‑4的无标注课程知识点图谱构建方法及系统，方法包括：生成知识点图谱的第一层次结构；根据第一层次结构，对章节及下属各级标题进行文档分割操作，得到章节独立单元、分级标题独立单元；进行数据清洗操作，得到预处理章节独立单元、预处理标题独立单元；进行知识点获取操作，调用GLM‑4模型的应用程序编程接口API，并给定prompt指令，据以利用GLM‑4模型，从预处理章节独立单元、预处理标题独立单元中，提取得到符合大纲知识点；利用GLM‑4模型进行噪声去除操作，得到去噪数据；通过余弦相似度算法进行比对；构建知识图谱。本发明解决了知识点图谱在粒度上过于细化，导致知识难以理解的技术问题。
-
公开(公告)号：CN118568484A
公开(公告)日：2024-08-30
申请号：CN202410451734.5
申请日：2024-04-16
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司 , 安徽省安全人工智能研究院
IPC: G06F18/214 , G06N20/00 , G06Q30/0601
Abstract: 本发明公开了一种检验推荐系统可靠性的对抗样本生成方法、设备及介质，其中方法包括：S1、在代理模型引入KL损失，提升在代理模型生成的对抗样本的隐蔽性；S2、迭代优化获取优化后代理模型；S3、优化后代理模型基于预梯度引导动量的优化策略生成优化后对抗样本；S4、对目标模型在新训练数据集上进行检验；S5、通过检验目标模型推荐系统用户分布变化，及目标模型向普通用户推荐目标项目情况，改进提高目标模型可靠性。本发明结合预梯度引导动量梯度优化策略和KL散度约束假用户生成，增强了推荐系统中对抗样本的可转移性，并生成更多难以察觉的假用户，可以更为真实的检验推荐系统可靠性，提高推荐系统防范能力。
-
公开(公告)号：CN117972505A
公开(公告)日：2024-05-03
申请号：CN202311769505.X
申请日：2023-12-20
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
IPC: G06F18/241 , G06F18/23213 , G06N3/042 , G16H50/80
Abstract: 本发明公开了基于图自编码器的大规模属性网络社区发现方法及系统，方法包括：将大规模属性网络的节点和属性进行粗化，得到不同粒度的属性网络；将粒度最粗的属性网络输入一个两层的图卷积神经网络编码器中，得到特征矩阵F；基于不平衡分类损失、模块度损失、聚类损失构建图卷积神经网络编码器的总损失；更新图卷积神经网络编码器的权重矩阵，对其进行训练，直到总损失最小时停止训练，得到优化的图卷积神经网络编码器；利用优化的图卷积神经网络编码器输出的优化的特征矩阵F进行社区划分；本发明的优点在于：及时有效地识别出具有相似传播特性的节点社区，更有针对性地制定流感防控措施。
-
公开(公告)号：CN117592550B
公开(公告)日：2024-04-30
申请号：CN202410078661.X
申请日：2024-01-19
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
IPC: G06N3/094 , G06N3/042 , G06N3/084 , G06N3/0985 , G06F21/57
Abstract: 本申请提出了一种图神经网络模型黑盒攻击方法及装置，该方法包括：获取原始图数据并选择代理模型，根据原始图数据与代理模型，得到预测标签；将原始图数据初始化作为初始化后的对抗图，将对抗图输入到代理模型进行训练，得到目标代理模型；根据预测标签与目标代理模型，计算本次迭代的测试集损失，并基于两次迭代测试集损失值之差判断扰动是否满足预设条件，如果不满足预设条件，对扰动进行校正；在扰动满足预设条件时，根据损失函数构建增强动量梯度对当前对抗图进行更新，生成本次迭代的对抗图；当迭代次数达到预设迭代次数时，利用最终生成的对抗图对其他图神经网络模型进行攻击。本申请能够欺骗图神经网络模型，攻击基于图数据的应用系统。
-
公开(公告)号：CN117727442A
公开(公告)日：2024-03-19
申请号：CN202311708760.3
申请日：2023-12-12
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
IPC: G16H50/20 , G06N3/0455 , G06N3/084 , G06F40/30 , G06F18/243
Abstract: 本发明公开了基于疾病常识增强的可解释文本抑郁症检测系统，包括：数据库建立模块，用于构建抑郁疾病常识库；特征表示构建模块，用于根据抑郁症状关键词频率统计，获取抑郁症状特征表示；模型构建及训练模块，用于将文本信息和抑郁症状特征表示捆绑送入Bert预训练模型，构建抑郁症检测模型并训练该模型，得到训练好的抑郁症检测模型；检测结果输出模块，用于将采集的数据输入训练好的抑郁症检测模型，获取预测的抑郁症检测结果；本发明的优点在于：不仅考虑了原始文本表示，也结合了抑郁典型症状常识，融入了抑郁症状特征，检测精度更高。
-
Patent Agency Ranking
公开(公告)号：CN117711599A
公开(公告)日：2024-03-15
申请号：CN202311478019.2
申请日：2023-11-08
Applicant: 安徽大学 , 安徽省安全人工智能研究院 , 合肥瑞徽人工智能研究院有限公司
IPC: G16H50/20 , G16H10/20 , G06F18/2415 , G06F18/213 , G06N3/048
Abstract: 本发明公开了一种使用属性交互进行精确认知诊断的方法，包括以下步骤：S1，根据学生的做题记录获取数据以及数据的相关属性信息；S2，对上述数据进行处理，得到数据的特征表示；S3，使用嵌入层将特征表示降维到低维空间，得到用向量表示的因子；S4，将因子互相做交互，得到属性的交互表示；S5，将属性的交互表示以及因子分别融入到认知诊断函数中，得到优化后的因子特征表示；S6，基于经典的MIRT模型，将特征表示结合起来，得到学生初步做题预测表现；S7，进一步加上学生可能失误或猜测的因素造成的影响，得到最终的学生做题表现预测；S8，计算损失函数值，优化认知诊断模型。本发明提高了认知诊断方法的性能。
-
公开(公告)号：CN117592550A
公开(公告)日：2024-02-23
申请号：CN202410078661.X
申请日：2024-01-19
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
IPC: G06N3/094 , G06N3/042 , G06N3/084 , G06N3/0985 , G06F21/57
Abstract: 本申请提出了一种图神经网络模型黑盒攻击方法及装置，该方法包括：获取原始图数据并选择代理模型，根据原始图数据与代理模型，得到预测标签；将原始图数据初始化作为初始化后的对抗图，将对抗图输入到代理模型进行训练，得到目标代理模型；根据预测标签与目标代理模型，计算本次迭代的测试集损失，并基于两次迭代测试集损失值之差判断扰动是否满足预设条件，如果不满足预设条件，对扰动进行校正；在扰动满足预设条件时，根据损失函数构建增强动量梯度对当前对抗图进行更新，生成本次迭代的对抗图；当迭代次数达到预设迭代次数时，利用最终生成的对抗图对其他图神经网络模型进行攻击。本申请能够欺骗图神经网络模型，攻击基于图数据的应用系统。
-
公开(公告)号：CN117556058A
公开(公告)日：2024-02-13
申请号：CN202410040729.5
申请日：2024-01-11
Applicant: 安徽大学 , 合肥瑞徽人工智能研究院有限公司
Abstract: 本申请提出了一种知识图谱增强网络嵌入的作者名称消歧方法和装置，涉及实体消歧技术领域，其中，该方法包括：获取作者名称消歧数据集；基于作者名称消歧数据集构建知识图谱，并利用PairRE模型得到知识图谱表征；基于作者名称消歧数据集构建异构信息网络，并基于知识图谱得到的节点嵌入指导异构信息网络进行随机漫步，得到节点表征；将知识图谱表征和节点表征融合，并对融合后的表征进行聚类，得到作者名称消歧结果。采用上述方案的本申请实现了作者名称的准确消歧。
-
公开(公告)号：CN115729957B
公开(公告)日：2024-01-19
申请号：CN202211501087.1
申请日：2022-11-28
Applicant: 安徽大学
IPC: G06F16/245 , G06F16/25
Abstract: 本申请提出了一种基于最大信息系数的未知流特征选择方法及装置，涉及数据挖掘领域，包括：根据公共数据集获取目标数据集，得到数据集的条件特征空间与类标签；根据随机选择特征方法确定数据集内特征不断产生并到达的场景；计算场景中新到达的特征和类标签之间的第一相关性，根据第一相关性与第一特征子集的平均相关性大小差值，确定是否丢弃特征；若所述特征保留，确定所述特征与所述第一特征子集的第二相关性，并在所述第二相关性大于预设阈值时，将所述特征加入所述第一特征子集，生成第二特征子集；当没有特征到达场景或程序结束时，输出第二特征子集。本申请在不需要知道每个特征类型时，精确保留数据集所需的最佳显著特征，提高效率。
-
公开(公告)号：CN116681101A
公开(公告)日：2023-09-01
申请号：CN202310432287.4
申请日：2023-04-18
Applicant: 安徽大学
Abstract: 本发明的一种基于层次结构的快速异质信息网络表示学习方法及设备，包括首先获取待挖掘的数据，进行数据清洗、处理和编码，并构建异质信息网络；然后基于网络中异质性和拓扑结构利用异质缩小网络模型迭代缩小网络，得到一系列规模从大到小的层次异质信息网络；接着学习规模最小的异质信息网络的节点表示，并使用该节点表示来训练异质细化模型；最后基于异质细化模型及层次网络之间的映射关系迭代细化网络，获得构建的异质信息网络的节点表示。本发明可以通过缩小规模技术对大规模异质信息网络进行缩小处理，进而减少表示问题的时间和空间复杂度以快速学习网络中的节点表示。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.023 seconds)
