公开(公告)号：CN119004004A

公开(公告)日：2024-11-22

申请号：CN202410921550.0

申请日：2024-07-10

Applicant: 北京交通大学

Inventor： 刘华锋 ,  景丽萍 ,  师文宝

IPC: G06F18/20 ,  G06F18/2433 ,  G06F18/2136 ,  G06F18/25 ,  G06N3/0442 ,  G06N3/045 ,  G06F18/214 ,  G06F16/9535 ,  G06Q30/0251

Abstract: 本申请提供一种基于贝叶斯最优传输的用户行为建模方法，包括：获取用户行为序列数据以及高斯混合模型的先验分布参数；利用所述先验分布参数对高斯混合模型进行初始化，并将所述用户行为序列数据输入至初始化后的高斯混合模型，利用EM算法求解获得用户兴趣表示；将所述用户兴趣表示输入至多层感知机，获得用户行为预测结果。本申请能够更灵活地对用户行为数据进行建模，并在辅助模型参数学习的同时加速了模型的训练过程，避免了过拟合或者模型退化的问题，从而提高模型的泛化能力和预测准确性，不仅可以更准确地学习用户行为模式，还可以减少噪声数据的影响，确保了模型的复杂度，使得模型能够有效地对长序列进行建模。

公开(公告)号：CN118963377A

公开(公告)日：2024-11-15

申请号：CN202410951708.9

申请日：2024-07-16

Applicant: 北京交通大学

Inventor： 刘华锋 ,  景丽萍 ,  史婧月

IPC: G05D1/46 ,  G05D109/28

Abstract: 本发明提供了一种基于物理驱动神经网络的飞行器避障轨迹规划方法。该方法包括以下步骤：首先，构建飞行器的三维质心运动模型，通过数值积分生成标称轨迹。随后，设计两个神经网络分别预测状态变化和控制角序列，并通过综合损失函数进行联合优化，使神经网络能够学习并生成满足避障约束和性能指标的优化轨迹。此外，预训练状态变量网络和采用自适应优化策略，提高了轨迹规划的效率和稳定性。本发明的方法提高了轨迹规划的效率和精度，同时增强了模型对未知场景的泛化能力，适用于复杂多变的飞行环境。

公开(公告)号：CN111612572A

公开(公告)日：2020-09-01

申请号：CN202010349545.9

申请日：2020-04-28

Applicant: 北京交通大学

Inventor： 景丽萍 ,  刘华锋

IPC: G06Q30/06 ,  G06Q10/06

Abstract: 本发明提供了一种基于推荐系统的自适应局部低秩矩阵近似建模方法、推荐方法及推荐系统，用以解决现有技术中大数据背景下推荐系统性能不高的问题。所述基于推荐系统的自适应局部低秩矩阵近似建模方法，首先构建评分矩阵，再生成评分子矩阵，并自适应地确定每个子矩阵的秩，生成最优空间中局部隐表示，为评分子矩阵引入指示矩阵，并引入用户/物品偏置，构建观测评分模型，从而构建近似模型。本发明捕获了用户或物品的子集中的局部关联信息，允许在簇与簇之间动态分配统计容量，通过自动关联自适应地从每个子矩阵中挖掘用户或物品的隐表示，通过缺失机制确定潜在特征的重要性，在评分预测和排序预测上都显著地提升了推荐性能。

公开(公告)号：CN119067166A

公开(公告)日：2024-12-03

申请号：CN202410885358.0

申请日：2024-07-03

Applicant: 北京交通大学

Inventor： 刘华锋 ,  景丽萍 ,  王翔

IPC: G06N3/045 ,  G06N20/00 ,  G06F18/21

Abstract: 本发明提供了一种文本数据的公平表示学习方法。该方法包括：将收集的文本数据转换成词表，利用词表构建由离散向量组成的词表嵌入矩阵；利用BERT将词表嵌入矩阵转化为嵌入表示向量；根据嵌入表示向量度量受保护属性和类簇结构对原始文本数据信息编码的影响，基于非渐进失真度量函数的度量结果设计损失函数，利用损失函数训练深度神经网络，构建公平表征空间模型；将待处理的文本数据清洗后输入到公平表征空间模型，公平表征空间模型输出待处理的文本数据的公平表示。本发明方法确保数据在转换到嵌入空间时能够保持其原始信息的完整性和准确性，提高模型的泛化能力和鲁棒性。能够避免由于数据偏见导致的不公平现象，增强用户对模型的信任和接受度。

公开(公告)号：CN118690195A

公开(公告)日：2024-09-24

申请号：CN202410737665.4

申请日：2024-06-07

Applicant: 北京交通大学

Inventor： 刘华锋 ,  文静轩 ,  景丽萍

IPC: G06F18/214 ,  G06F18/21 ,  G06N3/0455 ,  G06N3/0985 ,  G06N3/0464 ,  G06N3/092

Abstract: 本发明提供了一种结合反事实增强和神经过程的冷启动推荐方法。该方法包括：将用户原始交互数据输入到原推荐模型，得到隐变量；将隐变量经过增强网络得到增强重要性变量，对增强重要性变量进行采样得到增强指示变量；将增强指示变量作用于原始交互数据得到增强后的交互数据，根据损失函数对增强网络进行更新；将增强后的交互数据作为原推荐模型的输入，重复执行上述处理过程，当训练收敛后，得到原始交互数据的最终增强数据，结合最终增强数据与原始交互数据重新训练原推荐模型，得到最终的预测模型，利用最终的预测模型进行冷启动场景下的物品推荐。本发明聚焦于冷启动任务，避免了映射过程的信息损失，有效地提高了冷启动情况下的物品推荐效率。