-
Patent Agency Ranking
公开(公告)号：CN110083699B
公开(公告)日：2021-01-12
申请号：CN201910202638.6
申请日：2019-03-18
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC: G06F16/35
Abstract: 本发明提出了一种基于深度神经网络的新闻流行度预测模型训练方法，包括：获取特定主题设定时间段的新闻文章数据，用Pandas进行数据清洗后按照设定时间长度进行顺次分组，获取按时间顺序排列得到新闻流行度序列；依据所述新闻流行度序列，从第一个流行度开始依次按照采样长度为w的连续序列作为输入样本，并采样其之后一期的数据作为输出样本，构建训练样本集；随机从训练样本集中选择训练样本对基于LSTM网络的新闻流行度预测模型进行训练，并采用Pearson相关系数进行关联性分析删除不良的训练样本，循环训练过程至训练结束。本发明可以获得用来对无趋势性、无季节性及非线性新闻流行度进行较高准确率预测的新闻流行度预测模型。
-
公开(公告)号：CN110083699A
公开(公告)日：2019-08-02
申请号：CN201910202638.6
申请日：2019-03-18
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC: G06F16/35
Abstract: 本发明提出了一种基于深度神经网络的新闻流行度预测模型训练方法，包括：获取特定主题设定时间段的新闻文章数据，用Pandas进行数据清洗后按照设定时间长度进行顺次分组，获取按时间顺序排列得到新闻流行度序列；依据所述新闻流行度序列，从第一个流行度开始依次按照采样长度为w的连续序列作为输入样本，并采样其之后一期的数据作为输出样本，构建训练样本集；随机从训练样本集中选择训练样本对基于LSTM网络的新闻流行度预测模型进行训练，并采用Pearson相关系数进行关联性分析删除不良的训练样本，循环训练过程至训练结束。本发明可以获得用来对无趋势性、无季节性及非线性新闻流行度进行较高准确率预测的新闻流行度预测模型。
-
公开(公告)号：CN109978358B
公开(公告)日：2021-08-13
申请号：CN201910202920.4
申请日：2019-03-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于机器学习领域，具体涉及了一种基于半监督学习的销售风险点检测方法、系统、装置，旨在解决销售风险点分析效率低、准确率不高、应用场景局限以及大数据环境下难以应用的问题。本发明方法包括：获取数据并构建图数据库；将图数据库中的数据清洗成原始状态；对数据聚类，找出平均轮廓系数接近1时的k值；标记k个聚类数据的特征并设置规则，采用随机森林法分类数据；分析数据之间的相关性，找出风险产品组合；采用知识图谱展示风险点。本发明结合有监督与无监督学习，可以有效地检测出企业可能存在的金融风险并为企业提供建议，优化团队组合，丰富产品搭配。
-
公开(公告)号：CN109978358A
公开(公告)日：2019-07-05
申请号：CN201910202920.4
申请日：2019-03-18
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于机器学习领域，具体涉及了一种基于半监督学习的销售风险点检测方法、系统、装置，旨在解决销售风险点分析效率低、准确率不高、应用场景局限以及大数据环境下难以应用的问题。本发明方法包括：获取数据并构建图数据库；将图数据库中的数据清洗成原始状态；对数据聚类，找出平均轮廓系数接近1时的k值；标记k个聚类数据的特征并设置规则，采用随机森林法分类数据；分析数据之间的相关性，找出风险产品组合；采用知识图谱展示风险点。本发明结合有监督与无监督学习，可以有效地检测出企业可能存在的金融风险并为企业提供建议，优化团队组合，丰富产品搭配。
-
公开(公告)号：CN109325524A
公开(公告)日：2019-02-12
申请号：CN201811014739.2
申请日：2018-08-31
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及机器学习领域，具体涉及一种事件追踪与变化阶段划分方法、系统及相关设备，旨在提高计算效率。本发明的方法包括：从多个不同的新闻传播通道中采集新闻数据并存入数据库中；然后进行话题聚类，选择待追踪事件对应的新闻集合，并查找出待追踪事件的起始发布时间；以起始发布时间为起点，绘制待追踪事件在单位时间内的信息量随时间变化的曲线，再进行等时间间隔采样，绘制出平滑后的演化包络线；求出极大值点的个数，进而计算出变化阶段的个数；计算出极大值点和极小值点；在每个极大值点的前后，分别根据预设的信息量百分比选择分割点，从而划分出不同的变化阶段。本发明提升了算法的效率，降低了时间复杂度、阈值依赖和形状依赖。
-
-
-
-
Search Results
5
records
(took 0.067 seconds)
