-
Patent Agency Ranking
公开(公告)号：CN107018493B
公开(公告)日：2020-03-27
申请号：CN201710259686.X
申请日：2017-04-20
Applicant: 北京工业大学
IPC: H04W4/02 , H04W64/00 , G06F16/9537 , G06F16/29
Abstract: 本发明公开一种基于连续时序马尔科夫模型的地理位置预测方法，包括：步骤1、对原始的用户轨迹数据进行过滤和聚类，产生一系列的候选地点；步骤2、根据候选地点信息，将用户的轨迹数据转化为[时间T，地点L]序列；步骤3、对每个位置的序列密度进行高斯混合建模，结合转移概率矩阵、序列点概率等信息，对原始的马尔科夫模型进行改进，建立基于连续时序的马尔科夫模型；步骤4、利用基于连续时序的马尔科夫模型对目标时间点的地理位置预测。采用本发明的技术方案，提高了预测准确率。
-
公开(公告)号：CN110765260A
公开(公告)日：2020-02-07
申请号：CN201911002947.5
申请日：2019-10-18
Applicant: 北京工业大学
IPC: G06F16/335 , G06F16/33 , G06F40/284 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于卷积神经网络与联合注意力机制的信息推荐方法，用于有效的利用文本的潜在语义信息，解决传统机器学习的特征提取方法的固有缺陷。本发明将CNN深度神经网络处理的评价文本的特征向量再进行一层注意力机制的处理，增加评价文本中的重点关注点的注意力权重。将用户、项目的向量集合分别和上一层注意力机制的分值再使用一层注意力机制，分别得到用户和项目的注意力机制权重向量，再分别和用户、项目的向量集合进行点乘得到最终表示，合并用户、项目和评价文本得到最终表示，进而进行评分预测。通过与传统的推荐技术进行对比发现，本方法能够更有效地进行推荐，提高了推荐的质量，增强了推荐的可解释性。
-
公开(公告)号：CN110083710B
公开(公告)日：2021-04-02
申请号：CN201910365929.7
申请日：2019-04-30
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于循环神经网络与潜变量结构的词语定义生成方法，属于自然语言处理领域。本发明在基于循环神经网络的基础上利用变分自编码器(VAE)对释义进行建模，结合潜变量特征，根据被定义词的上下文信息对词义进行提取来生成词语的释义，具体包括：建立并整理基础语料库；选取被定义词语的近义词集合，扩展基础语料库，形成最终语料库；对被定义词语的词向量进行扩展重构；构建基于循环神经网络与潜变量结构模型；训练基于循环神经网络与潜变量结构模型；将待释义词语及其上下文信息输入训练完成的模型中，实现具体语境中待释义词语的语义释义，解决一词多义问题。
-
公开(公告)号：CN110083710A
公开(公告)日：2019-08-02
申请号：CN201910365929.7
申请日：2019-04-30
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于循环神经网络与潜变量结构的词语定义生成方法，属于自然语言处理领域。本发明在基于循环神经网络的基础上利用变分自编码器(VAE)对释义进行建模，结合潜变量特征，根据被定义词的上下文信息对词义进行提取来生成词语的释义，具体包括：建立并整理基础语料库；选取被定义词语的近义词集合，扩展基础语料库，形成最终语料库；对被定义词语的词向量进行扩展重构；构建基于循环神经网络与潜变量结构模型；训练基于循环神经网络与潜变量结构模型；将待释义词语及其上下文信息输入训练完成的模型中，实现具体语境中待释义词语的语义释义，解决一词多义问题。
-
公开(公告)号：CN107018493A
公开(公告)日：2017-08-04
申请号：CN201710259686.X
申请日：2017-04-20
Applicant: 北京工业大学
Abstract: 本发明公开一种基于连续时序马尔科夫模型的地理位置预测方法，包括：步骤1、对原始的用户轨迹数据进行过滤和聚类，产生一系列的候选地点；步骤2、根据候选地点信息，将用户的轨迹数据转化为[时间T，地点L]序列；步骤3、对每个位置的序列密度进行高斯混合建模，结合转移概率矩阵、序列点概率等信息，对原始的马尔科夫模型进行改进，建立基于连续时序的马尔科夫模型；步骤4、利用基于连续时序的马尔科夫模型对目标时间点的地理位置预测。采用本发明的技术方案，提高了预测准确率。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
