-
公开(公告)号：CN108804415B
公开(公告)日：2022-01-11
申请号：CN201810477586.9
申请日：2018-05-18
Applicant: 东北大学
IPC: G06F40/30 , G06F40/253 , G06K9/62
Abstract: 本发明公开了一种本体调试信息的度量与排序方法，包括根据用户对辩解的认知，提取辩解的度量标准，所述度量标准包含复杂度、相关度及新颖度三方面；采用ListNet排序学习方法构造top k排序模型，根据该排序模型对特征化后的辩解进行排序，获取排序前k个易理解的辩解。从用户认知的角度提出一套度量OWL辩解的标准，该套标准综合考虑了复杂度、相关度和新颖度三方面，基于该套标准，构造一个top k排序模型，获取易理解的前k个辩解，帮助用户更好地进行本体不一致的解释工作，从而增强用户体验。
-
公开(公告)号：CN112256866B
公开(公告)日：2021-09-03
申请号：CN202011027335.4
申请日：2020-09-25
Applicant: 东北大学
IPC: G06F16/35 , G06F16/33 , G06F40/211 , G06F40/242 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于深度学习的文本细粒度情感分析方法，包括如下步骤：基于辅助学习和注意力机制的AL‑ATT模型和基于图卷积网络与注意力机制的GCN‑ATT模型；基于辅助学习和注意力机制的AL‑ATT模型包括如下步骤：数据预处理—注意力嵌入模块—辅助学习模块—交互注意力模块—输出模块—正则化约束；相比于依赖语言学知识和人工特征提取的基于规则和机器学习方法，使用深度学习不需要人工的选择特征也不需要依赖大量的特征工程，它可以很好的处理高维的输入数据，可以自动学习文本中的特征，从而对文本向量实现进行准确的分类。
-
公开(公告)号：CN112182209A
公开(公告)日：2021-01-05
申请号：CN202011014754.4
申请日：2020-09-24
Applicant: 东北大学
Abstract: 本发明提供终身学习框架下基于GCN的跨领域情感分析方法，涉及自然语言处理中的跨领域情感分类领域，本发明中终身学习框架下基于GCN的跨领域情感分析方法，由如下过程所实现：提出基于图卷积神经网络的跨领域情感分类算法，即CDS‑GCN，在提出CDS‑GCN的基础上，结合终身学习思想提出终身学习框架下基于图卷积神经网络的跨领域情感分类算法，即LLCDS‑GCN，这些特征使终身学习不同于迁移学习或者多任务学习等相关的学习任务，它打破孤立学习的限制，并缓解人工标注数据费时费力带来的影响，这些特点与跨领域情感分类任务的初衷不谋而合。
-
公开(公告)号：CN108133330A
公开(公告)日：2018-06-08
申请号：CN201810032010.1
申请日：2018-01-12
Applicant: 东北大学
Abstract: 本发明公开了一种面向社交众包任务分配方法及其系统，包括根据任务发布者发布的众包任务，对工作者以及所述众包任务进行匹配度估计算法计算，得到众包任务匹配度最高的一组工作者；采用贪心算法对任务分配进行计算，在众包任务匹配度最高的一组工作者中，选择整体匹配度之和最大的一组工作者作为最后的分配结果，以使得每个任务具有不同的待分配工作者，等待工作者成员领取任务，完成众包任务分配，增加了任务推荐的兴趣等信息的参考关系，使得任务推荐更加的高效，准确，并且，提高了算法性能，提高众包服务的质量。
-
公开(公告)号：CN101408901B
公开(公告)日：2010-07-14
申请号：CN200810229043.1
申请日：2008-11-26
Applicant: 东北大学
IPC: G06F17/30
Abstract: 一种基于主题词条的跨类型数据的概率聚类方法，属于数据库领域，包括以下步骤：(1)定义主题词条的类型；将跨类型数据分为主题相关词条、主题半相关词条和主题不相关词条；(2)对每类词条分配概率；(3)用概率表示数据主题；(4)构建数据的主题词条概率相似性矩阵M；对步骤(3)中跨类型数据的任意两个数据dx和dy，计算dx和dy任意两种描述形式的相似度，将相似度大于某一阈值的相似性的概率相加，将任意两个数据的直接相关概率存储在矩阵M中；(5)基于矩阵M构建聚类模型Mc；(6)基于聚类模型Mc的聚类方法。本发明利用与主题相关的词条项的相似性来对跨类型数据进行聚类，提高了数据聚类的精度，减少了聚类时间。
-
Patent Agency Ranking
公开(公告)号：CN119807415A
公开(公告)日：2025-04-11
申请号：CN202411859384.2
申请日：2024-12-17
Applicant: 东北大学
IPC: G06F16/35 , G06F16/334 , G06F18/25 , G06N3/0455 , G06N3/0442 , G06N3/0895
Abstract: 本发明提供了一种对比增强非同构模态融合的多模态情感分析方法，涉及情感分析技术领域，本发明通过将视觉模态特征和音频模态特征进行融合的方法，来弥补和文本模态之间信息密度的差异，本发明设计了联合对比学习，通过样本内的对比学习和内本间的对比学习，得到样本内的损失和样本间的损失，样本内的对比学习，旨在增强模态间一致性，样本间的对比学习，保障每种模态特征的独立性和独特性，以避免过度融合导致的信息丢失，由此，本发明兼顾模态间的互补性和差异性，并弥补视觉和音频模态与文本模态间信息密度的差异，提升情感分析模型的性能与泛化能力。
-
公开(公告)号：CN109901932B
公开(公告)日：2023-04-07
申请号：CN201910185650.0
申请日：2019-03-12
Applicant: 东北大学
Abstract: 本发明公开了一种基于虚拟机的服务器整合方法，所述基于虚拟机的服务器整合方法包括基于动态阈值的服务器局部整合算法和基于遗传算法的服务器全局整合算法。本发明科学合理，使用安全方便，通过局部整合和全局整合，可以有效地实现依据云数据中心负载变化动态来进行服务器整合的重要功能，从而提升业务支撑能力和运维效率、降低投资和决策风险，达到节省投资和节约能源的目的。提出的服务器局部整合算法的目标是对处于高载状态和低载状态的服务器进行小范围内的局部整合，满足节能要求；服务器全局整合算法的目标是在更大范围内对服务器进行整合，在保证服务质量的同时使虚拟机运行在尽可能少的服务器上，从而提升整体资源利用率和降低能源消耗。
-
公开(公告)号：CN115062623A
公开(公告)日：2022-09-16
申请号：CN202210661594.5
申请日：2022-06-10
Applicant: 东北大学
Abstract: 本发明涉及文本内容的情感抽取模型技术领域，尤其涉及交互式属性术语及情感联合抽取模型的方法。其主要针对现有应用难以有效学习属性术语的特征，属性术语及情感联合抽取的研究内容匮乏的问题，提出如下技术方案：包括属性术语抽取模块、情感分类模块和交互共享单元，包括以下步骤：步骤1：获取句中单词的情感倾向；步骤2：交互共享单元让两个模块互相学习；步骤3：属性术语抽取任务标签和情感分类任务标签结合。本发明充分地利用外部情感资源，两阶段处理增强的情感分析，提高语句中情感抽取的精确性，交互共享单元提高模块学习效果，有助于特征向量的结果预测，主要应用于属性术语及文本情感联合抽取。
-
公开(公告)号：CN112182152B
公开(公告)日：2021-09-03
申请号：CN202011013190.2
申请日：2020-09-24
Applicant: 东北大学
IPC: G06F16/33 , G06F16/35 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明提供提出了基于深度学习的新浪微博用户情感影响力分析方法，包括数据获取、数据预处理、构建多元情感特征词向量、文本进行情感分类和定义微博用户情感影响力，本发明中通过使用MSF‑CNN算法对微博文本进行情感分析能力高于w2c‑CNN算法，能很好的配合微博中书写自由、用词随意的语言环境，能很好的考虑微博文本的上下语境，提取出文本特征，同时考虑词语自身所携带的情感，能更好的进行情感分类。
-
公开(公告)号：CN109947904B
公开(公告)日：2021-07-30
申请号：CN201910222188.7
申请日：2019-03-22
Applicant: 东北大学
Abstract: 本发明公开了一种基于Spark环境的偏好空间Skyline查询处理方法，包括基于偏好函数的空间Skyline查询处理算法和基于偏好优先的空间Skyline查询处理算法，本发明科学合理，使用安全方便，通过基于偏好函数的空间Skyline查询处理算法的作用，将数据的空间属性与非空间属性相整合，并利用相关性对不满足任一查询点偏好的数据进行过滤，减少了数据集的大小，利用网格支配关系进一步减少处理任务量，提高了查询的处理速度；通过基于偏好优先的空间Skyline查询处理算法的作用，对空间数据进行聚类，并将类中出现频率较高的关键词作为整个类的文本特征信息，同时对类中的空间对象建立扩展的R‑tree索引，利用扩展R‑tree索引的高效空间查找和过滤能力进行支配判断，从而加快Skyline查询处理。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.019 seconds)
