-
公开(公告)号：CN109933717B
公开(公告)日：2021-05-14
申请号：CN201910042396.9
申请日：2019-01-17
Applicant: 华南理工大学
IPC: G06F16/9535 , H04L12/58 , H04L29/06 , H04L29/08
Abstract: 本发明公开了一种基于混合推荐算法的学术会议推荐系统，能够从用户个人邮件及公开会议发布网站上获取学术会议信息，通过内容过滤及有效信息提取处理原始信息生成会议信息摘要，并根据用户的历史行为及基于TF‑IDF和词向量的学术会议文本表示方法使用融合基于用户的协同过滤及基于内容的混合推荐算法实现学术会议信息的个性化推荐，并通过基于WEB的展示和网盘归档两种方法实现信息的推送。该学术会议推荐系统有助于提高科研人员处理信息的效率，有效地改善学术会议过多选择问题。
-
公开(公告)号：CN109918477B
公开(公告)日：2021-02-12
申请号：CN201910122541.4
申请日：2019-02-18
Applicant: 华南理工大学
IPC: G06F16/33 , G06F16/951 , G06F16/953 , G06F16/9535 , G06F16/332
Abstract: 本发明公开了一种基于变分自编码器的分布式检索资源库选择方法，该方法利用深度神经网络构建编码器与解码器网络结构，学习资源库文本的隐含表示，用来捕捉资源库文本的深层语义表示。通过无监督的训练方法得到的模型，对查询词的扩展文本进行推理，获得查询词的隐含表示。通过计算查询词与资源库的隐含表示的相似性，来获得资源库的相关性排名。该模型为无监督的训练，自动获得资源库以及文本的隐含表示向量，可克服有监督训练方法中的设计文本特征的缺点。此外，变分自编码器的网络结构简单，变分推理的计算耗时比基于马尔科夫链蒙特卡罗推理方法的LDA主题模型要低。模型训练完成后，进行资源库选择的耗时低，资源库选择的效率高。
-
公开(公告)号：CN108763449A
公开(公告)日：2018-11-06
申请号：CN201810521174.0
申请日：2018-05-28
CPC classification number: G06F17/2775 , G06N3/08 , H04L51/12 , H04L51/22
Abstract: 本发明公开了一种垃圾邮件过滤的中文关键词规则生成方法，该方法主要包括从邮件集中获取关键词候选词、特征提取得到关键词、获取关键词规则触发情况、为关键词规则赋分值四个步骤，对比当前技术，本发明提出的方法改进了关键词特征提取方法，结合词频和文档频率的特征提取方法降低通用词汇的影响，使用神经网络算法计算规则分值，比较遗传算法降低了学习的开销。本发明解决当前中文关键词规则时效性不足，并且能够根据一个特定的用户群体对于垃圾邮件的定义以及提供的邮件数据集生成最符合用户特征的关键词规则。
-
公开(公告)号：CN106897776A
公开(公告)日：2017-06-27
申请号：CN201710034428.1
申请日：2017-01-17
Applicant: 华南理工大学
IPC: G06N99/00
Abstract: 本发明公开了一种基于名义属性的连续型特征构造方法，包括步骤：1)数据预处理；2)根据业务背景知识设置特征构造框架；3)产生具体的特征构造路径；4)根据特征构造路径构造相应的特征并产生训练集；5)对训练集进行特征选择并构建预测模型；6)将相关的数据集以及预测模型保存并结束离线训练过程；7)将需要进行线上预测的样本数据进行预处理以及特征提取；8)利用离线训练得到的预测模型对样本进行预测。本发明不仅可以应用于具有“用户‑物品”对的场景，同时也适用于更为一般的带有名义属性或分类变量特征的分类和回归预测问题，与传统的One‑Hot和Dummy编码相比，本发明所产生的特征使得样本之间差异更加明显，产生的特征具有较强的可解释性。
-
公开(公告)号：CN106022877A
公开(公告)日：2016-10-12
申请号：CN201610333626.3
申请日：2016-05-19
Applicant: 华南理工大学
IPC: G06Q30/06
CPC classification number: G06Q30/0631
Abstract: 本发明公开了一种基于用户手游行为图谱的游戏推荐方法，利用游戏数据中用户的登录日志，提取用户特征。计算用户特征向量两两的余弦相似度，根据余弦相似度值与设定的阈值大小关系确定两个节点是否有边相连；提取用户对游戏的操作，比如用户对游戏的充值操作等，提取游戏的上线时间，用户开始玩游戏的时间，构造用户的属性，从而构造用户手游行为图谱；分析用户手游行为图谱，挖掘其中的“潮流用户”节点，“朋友”关系节点等角色信息。根据与目标用户节点相连的近邻用户节点角色信息，赋予近邻用户节点不同的权重，将近邻用户节点玩过的游戏并且目标用户节点没有玩过的游戏按照权重加权，形成推荐列表，推荐给目标用户，实现个性化游戏推荐。
-
Patent Agency Ranking
公开(公告)号：CN105912729B
公开(公告)日：2019-05-14
申请号：CN201610333731.7
申请日：2016-05-19
Applicant: 华南理工大学
IPC: G06F16/9535 , G06F16/9536
Abstract: 本发明公开了一种基于三维时序动态模型的手机游戏推荐系统，包括用户行为数据获取模块、游戏信息获取模块、用户行为分析模块、游戏标签模块、时序动态模型模块、游戏推荐模块。本发明系统根据获取的用户行为数据进行用户动态行为分析，并追踪新老用户的兴趣变化，在用户兴趣发生变化或可能流失时，综合考虑与用户兴趣游戏相似度较高的游戏以及游戏的热门度，给用户最优的推荐结果。本发明结合游戏和用户的时效性，制定了基于时间窗的用户活跃度评分计算方法。并引用游戏标签来对用户进行相应的映射，从而丰富了游戏推荐的多样性，让用户感受不断有新元素变化的游戏推荐，增强了游戏推荐的新颖性。
-
公开(公告)号：CN106527132B
公开(公告)日：2019-03-12
申请号：CN201610988270.7
申请日：2016-11-10
Applicant: 华南理工大学
IPC: G05B13/04
Abstract: 本发明公开了基于遗传模拟退火算法的蛇形机器人运动控制方法，包括步骤：获取蛇形机器人首关节的目标位置和目标姿态；采用遗传模拟退火算法对蛇形机器人进行逆解，求解获得蛇形机器人的各关节转角；蛇形机器人的驱动器获取求解获得的各关节转角并控制各关节进行转动。本发明采用的遗传模拟退火算法把遗传算法和模拟退火算法的优势有机地结合起来，不仅能使算法的效率得到提高，还能增强算法的全局把控能力，从而使得本方法精确度高，可靠性较高，可以有效地对蛇形机器人进行运动控制，可广泛应用于蛇形机器人的控制领域中。
-
公开(公告)号：CN113011154B
公开(公告)日：2024-05-28
申请号：CN202110279211.3
申请日：2021-03-16
IPC: G06F40/194 , G06F16/33 , G06F16/338 , G06F40/263 , G06F40/268 , G06F40/216 , G06F40/284 , G06F40/30 , G06F16/35 , G06N3/0464 , G06N3/08 , G06Q50/20
Abstract: 本发明公开了一种基于深度学习的作业查重方法，包括：获取学生课程作业数据及作业模板文件，判断作业模板格式，对获取到的作业进行切题处理，判断作业中的题目是主观题还是客观题，对切题后的作业中的主观题答案进行文本预处理，利用深度学习技术(即卷积神经网络模型)计算学生作业之间的相似度，并且分析相似度计算结果，将相似度高的学生作业聚一类，生成相似度报告。为了方便教师查看相似内容情况，本发明对相似作业之间的相似内容进行标记。本发明能够找出作业语义相似的文本内容，解决许多抄袭检测方法抗干扰效果差的问题。
-
公开(公告)号：CN113011154A
公开(公告)日：2021-06-22
申请号：CN202110279211.3
申请日：2021-03-16
IPC: G06F40/194 , G06F16/33 , G06F16/338 , G06F40/263 , G06F40/268 , G06F40/216 , G06F40/284 , G06F40/30 , G06F16/35 , G06N3/04 , G06Q50/20
Abstract: 本发明公开了一种基于深度学习的作业查重方法，包括：获取学生课程作业数据及作业模板文件，判断作业模板格式，对获取到的作业进行切题处理，判断作业中的题目是主观题还是客观题，对切题后的作业中的主观题答案进行文本预处理，利用深度学习技术(即卷积神经网络模型)计算学生作业之间的相似度，并且分析相似度计算结果，将相似度高的学生作业聚一类，生成相似度报告。为了方便教师查看相似内容情况，本发明对相似作业之间的相似内容进行标记。本发明能够找出作业语义相似的文本内容，解决许多抄袭检测方法抗干扰效果差的问题。
-
公开(公告)号：CN109918477A
公开(公告)日：2019-06-21
申请号：CN201910122541.4
申请日：2019-02-18
Applicant: 华南理工大学
IPC: G06F16/33 , G06F16/951 , G06F16/953 , G06F16/9535 , G06F16/332
Abstract: 本发明公开了一种基于变分自编码器的分布式检索资源库选择方法，该方法利用深度神经网络构建编码器与解码器网络结构，学习资源库文本的隐含表示，用来捕捉资源库文本的深层语义表示。通过无监督的训练方法得到的模型，对查询词的扩展文本进行推理，获得查询词的隐含表示。通过计算查询词与资源库的隐含表示的相似性，来获得资源库的相关性排名。该模型为无监督的训练，自动获得资源库以及文本的隐含表示向量，可克服有监督训练方法中的设计文本特征的缺点。此外，变分自编码器的网络结构简单，变分推理的计算耗时比基于马尔科夫链蒙特卡罗推理方法的LDA主题模型要低。模型训练完成后，进行资源库选择的耗时低，资源库选择的效率高。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.033 seconds)
