-
公开(公告)号：CN113033207B
公开(公告)日：2023-08-29
申请号：CN202110373760.7
申请日：2021-04-07
Applicant: 东北大学
IPC: G06F40/295 , G06F40/30 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明提供一种基于逐层感知机制的生物医学嵌套类型实体识别方法，涉及数据挖掘和自然语言处理技术领域。该方法包括基于向量模式的生物医学文本表示、基于循环神经网络的隐藏特征编码与解码、基于多任务逐层感知机制的嵌套类型实体识别。步骤1为生物医学文本表示步骤，利用一位编码法和预训练特征向量对文本单词构建字符特征和语义特征。步骤2为隐藏特征提取，利用循环神经网络和RELU激活函数对初始特征进行隐藏信息发现、编码与解码。步骤3为多任务逐层感知机制，利用归一化函数在步骤2基础上，识别简单实体，通过迭代组合方法，逐层感知识别嵌套类型实体。本发明可以对生物医学文本中的嵌套类型实体进行识别提取，并取得较好的效果。
-
公开(公告)号：CN113656709B
公开(公告)日：2023-07-25
申请号：CN202110972282.1
申请日：2021-08-24
Applicant: 东北大学
IPC: G06F16/9537 , G06F16/36 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种融合知识图谱和时序特征的可解释兴趣点推荐方法，涉及兴趣点推荐技术领域。该方法主要包括三个部分：知识图谱构建、实体间的潜在关系表示学习及用户行为的时序动态性捕捉、输出可解释的推荐结果，实体间的潜在关系表示学习是基于构建的知识图谱实现的，通过捕捉实体间的多条潜在关系路径，学习实体间的潜在关系表示，并进一步利用用户的签到序列，即融合路径静态信息和时序动态信息来学习用户偏好，最后基于学习到的用户偏好为用户推荐兴趣点，并提供推荐结果的解释。本发明能够在保证推荐精准度的同时，生成可解释的推理路径，通过提供推荐结果的解释，保证推荐方法的透明度，进而提高用户对推荐结果的信任水平和接受度。
-
公开(公告)号：CN116304220A
公开(公告)日：2023-06-23
申请号：CN202211545898.1
申请日：2022-12-05
Applicant: 东北大学
IPC: G06F16/903 , G06F16/9038 , G06F16/901
Abstract: 本发明提供一种面向数据集成的多粒度溯源方法，首先分析现有面向数据集成任务的溯源方法的不足，依据数据集成任务的特点提出多粒度溯源模型；其次构建一个数据集成溯源过程模型，用户可以选择使用数据集成溯源工具箱中任意多个数据集成子单元来构建数据集成工作流；再次基于溯源模型和数据集成工作流产生的溯源元信息，在图数据库中构建多粒度溯源图；最后设计多粒度溯源查询，从多个粒度回放数据集成的过程，包括粗粒度溯源查询和细粒度溯源查询。采用本发明提出的面向数据集成的多粒度溯源方法，可以从活动级和实体级回放数据集成过程，提高数据集成的可解释性、可信性和可重复性。
-
公开(公告)号：CN115037755A
公开(公告)日：2022-09-09
申请号：CN202210449044.7
申请日：2022-04-27
Applicant: 东北大学 , 东软集团股份有限公司
IPC: H04L67/1042 , H04L67/1087 , H04L67/1095 , H04L67/60
Abstract: 本发明提供一种基于数据重分布和动态节点策略的区块链轻量存储方法，涉及区块链技术领域。该方法设计了一种基于轻量化存储和高效数据访问的划分节点层级架构，将区块链系统中存储节点区分层级，并将节点分为全节点和轻节点，以实现轻量存储及冗余备份；再基于遗忘恢复方法对轻节点内部区块数据进行动态的删除和恢复，实现数据重分布；并采用基于恢复贡献的激励策略对轻节点进行激励奖励；最后根据节点的奖励值和存储能力调整节点所在的层级。该方法通过对节点层级划分，对冷热区块数据做遗忘和恢复的优化存储策略实现区块链轻量存储。
-
公开(公告)号：CN111046092B
公开(公告)日：2022-06-17
申请号：CN201911057101.1
申请日：2019-11-01
Applicant: 东北大学
IPC: G06F16/25 , G06F16/22 , G06F15/163
Abstract: 本发明公开一种基于CPU‑GPU异构体系结构的并行相似性连接方法，属于计算机数据库技术与并行计算技术领域。该方法通过对数据相似性连接方法进行分析设计，构建新的倒排索引结构，实现在GPU上并行构建倒排索引，对相似性连接方法进行分解，根据两种处理器不同的计算特性重新设计计算过程，基于GPU实现双重前缀过滤，有效减小候选集体积。本发明提供的基于CPU‑GPU异构体系结构的相似性连接方法能够将传统的数据相似性连接准确地转换到CPU‑GPU异构计算体系上，从而有效提高大规模数据集相似性连接的处理效率。
-
Patent Agency Ranking
公开(公告)号：CN114417885A
公开(公告)日：2022-04-29
申请号：CN202210070769.5
申请日：2022-01-21
Applicant: 东北大学
Abstract: 本发明提供一种基于概率图模型的网络表格列类型检测方法，属于语义网中的表格解释领域。该方法包括：将来自同一网站下属于相同模式的表格拼接成一张表格；针对拼接表格进行单列分类：首先将所述拼接表格中的列划分为数值型列和字符型列，然后分别针对数值型列和字符型列进行分类；在单列分类结果的基础上通过构建概率图模型挖掘列间隐含的语义关系，实现对整张表的列类型序列的检测。可以对网络表格中列的语义类型进行检测并取得较好的效果，相对于其它列类型检测方法，准确率均有10％及以上提高。
-
公开(公告)号：CN113656709A
公开(公告)日：2021-11-16
申请号：CN202110972282.1
申请日：2021-08-24
Applicant: 东北大学
IPC: G06F16/9537 , G06F16/36 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融合知识图谱和时序特征的可解释兴趣点推荐方法，涉及兴趣点推荐技术领域。该方法主要包括三个部分：知识图谱构建、实体间的潜在关系表示学习及用户行为的时序动态性捕捉、输出可解释的推荐结果，实体间的潜在关系表示学习是基于构建的知识图谱实现的，通过捕捉实体间的多条潜在关系路径，学习实体间的潜在关系表示，并进一步利用用户的签到序列，即融合路径静态信息和时序动态信息来学习用户偏好，最后基于学习到的用户偏好为用户推荐兴趣点，并提供推荐结果的解释。本发明能够在保证推荐精准度的同时，生成可解释的推理路径，通过提供推荐结果的解释，保证推荐方法的透明度，进而提高用户对推荐结果的信任水平和接受度。
-
公开(公告)号：CN108334577B
公开(公告)日：2020-02-07
申请号：CN201810067980.5
申请日：2018-01-24
Applicant: 东北大学
IPC: G06F16/215 , G06F16/2458 , G06F16/28 , G06F21/62
Abstract: 本发明公开一种安全有效的多方数值型记录匹配方法，属于数据质量和数据集成领域，具体方法为：各数据源间统一参数、生成密钥，接着，进行以下三个步骤，(1)利用类模运算加密各数据源中的数值型记录，(2)安全地查询出各数值型属性中的最大最小值，并优化地计算两者间的相似度作为各记录在该属性中的相似度，(3)通过各记录在各属性中的相似度，判断是否匹配成功。采用本发明的多方数值型记录匹配方法，可以在更短的时间内，更加安全有效地识别出重复的数据对象；通过证明若属性中最大最小值的相似度大于阈值，则任意两个属性值的相似度均大于阈值，只需安全快速地查找出各属性的最大最小值，即可判断各数值型记录是否匹配成功，保证了高效性。
-
公开(公告)号：CN120030474A
公开(公告)日：2025-05-23
申请号：CN202510102253.8
申请日：2025-01-22
Applicant: 东北大学
IPC: G06F18/2433 , G06F18/22 , G06F18/2415 , G06F18/213 , G06F18/27 , G06F40/295 , G06F40/30 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/0895
Abstract: 本申请提出一种基于自监督学习以及属性感知的广义实体匹配方法，自然语言处理技术领域，包括：通过自监督学习方法，采用伪标签生成策略，得到实体匹配的正负训练样本；采用共享权重机制来改善实体的嵌入学习过程，即属性类型嵌入与属性类型对应的属性值嵌入进行级联，使得属性值共享学习到的属性类型注意力权重得分，用得到的属性类型嵌入与属性值嵌入通过级联方式进行信息聚合，进一步整合实体整体特征信息来相互补充，提高实体对齐准确度。
-
公开(公告)号：CN113420215B
公开(公告)日：2023-08-29
申请号：CN202110698835.9
申请日：2021-06-23
Applicant: 东北大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00
Abstract: 本发明提供一种面向兴趣点推荐的可解释生成方法，涉及社交网络以及兴趣点推荐技术领域。首先根据兴趣点推荐模型获取用户ID及推荐的兴趣点，以及兴趣点对应的影响因素；再根据兴趣点影响因素之间的标量投影，进行兴趣点影响因素之间的融合；将多个融合后的影响因素与推荐的兴趣点将多个融合后的影响因素与推荐的兴趣点进行相似性学习，得到融合后的影响因素与推荐的兴趣点间的相似性权重；根据相似性权重值，确定影响兴趣点推荐的主要影响因素；最后采用设定好的句子模板，基于主要影响因素对推荐的兴趣点进行句子解释；该方法对推荐的兴趣点的不同影响因素进行分析，在既保证推荐模型的准确率的同时，又保证了解释的合理性。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.02 seconds)
