-
公开(公告)号：CN119383279B
公开(公告)日：2025-04-04
申请号：CN202411959961.5
申请日：2024-12-30
Applicant: 南京信息工程大学
IPC: H04N1/44 , G06F21/62 , G06N3/0895
Abstract: 本发明公开了一种面向大模型检索的输入图优化隐私保护方法及系统，属于隐私保护技术领域，方法包括：基于输入图中各节点的对比学习权重，对输入图进行双视角对比学习，获取输入图中各节点的初始嵌入表示；引入类别原型提示，对输入图中各节点进行分类优化，获取输入图中各节点的对比学习权重约束表示；获取输入图的全局表示，对输入图中各节点进行匹配度优化，获取输入图中各节点的优化表示；引入输入图中各节点的上下文标记，识别输入图中的隐私节点；筛选输入图中各隐私节点的边进行剪枝重连，获取隐私保护后的输入图。该方法能够在不损失输入图的数据结构信息的前提下，精确识别和保护输入图中的隐私节点，降低输入图的隐私泄露风险。
-
公开(公告)号：CN119623532A
公开(公告)日：2025-03-14
申请号：CN202510170368.0
申请日：2025-02-17
Applicant: 南京信息工程大学
IPC: G06N3/049 , G06N3/0455 , G06N3/0499 , G06N3/08 , G06F18/214 , G06F18/24 , G06F18/25
Abstract: 本发明公开了一种基于神经网络的时间序列异常检测方法，包括：获取待检测的多变量时间序列数据，将多变量时间序列数据输入至时空特征融合单元，由时空特征融合单元内时域卷积网络和图注意力影响网络对多变量时间序列数据进行时域信息和属性信息分析，并通过特征融合获得时空融合特征；采用自适应时间序列分解算法对多变量时间序列数据进行分解获得趋势序列和周期序列；将时空融合特征、趋势序列和周期序列输入时序重构单元获得解码特征；通过异常检测单元对解码特征进行异常检测获得多变量时间序列数据的异常状态；本发明能够扩大潜在异常数据与重构数据之间重构偏差，实现快速准确检测多维时间序列中的潜在异常数据。
-
公开(公告)号：CN118035435B
公开(公告)日：2024-06-11
申请号：CN202410444602.X
申请日：2024-04-15
Applicant: 南京信息工程大学
IPC: G06F16/34 , G06F18/213 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/094 , G06F40/126 , G06F40/284
Abstract: 本发明公开了一种新闻摘要生成方法及相关装置，本发明采用多模态编码，使新闻文本的单词编码特征和图片的视觉目标特征相互观察，使多模态关联，通过构建多模态动态图建模特征之间的关系，区分特征中的积极特征和消极特征，从而生成多模态关联、且凸显核心信息的新闻摘要，可更好地还原新闻文本的多维度信息，提供更为全面的新闻摘要，保证了新闻摘要的质量。
-
公开(公告)号：CN117033638B
公开(公告)日：2024-04-02
申请号：CN202311064635.3
申请日：2023-08-23
Applicant: 南京信息工程大学
IPC: G06F16/35 , G06F16/36 , G06N5/022 , G06F18/25 , G06F18/241 , G06N3/0464 , G06N3/042 , G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于脑电EEG认知对齐知识图谱的文本情感分类方法，先将视频人工解释为文本，抽取实体关系构建知识图谱；利用皮尔逊相关系数构建大脑功能连接矩阵BG,提取脑电频域特征构建特征向量。在BGI模块中，计算捕捉BG之间的拓扑关系，与特征向量进行时空图卷积获得时空向量#imgabs0#过滤#imgabs1#并输入CA模块中。同时#imgabs2#通过GRU获得BGall。设计上界网络P(BG|KG)，将从KG获得分布pθ(AL|KG)，同时从BG'获取分布#imgabs3#获得表征认知对齐的隐变量AL，重构脑图BGrecon并反向引导AL的生成。最后在Fusion模块中，将KGall，#imgabs4#与BGal结合进行情感分类。本发明通过引入生理信号，提高文本情感分类的精度，增强文本分类任务的可解释性。
-
公开(公告)号：CN117787293A
公开(公告)日：2024-03-29
申请号：CN202410214954.6
申请日：2024-02-27
Applicant: 南京信息工程大学
IPC: G06F40/35 , G06F16/332 , G06N3/0455 , G06N3/0499 , G06N3/08 , G06F18/25 , G06N5/022 , G06N5/04
Abstract: 本发明公开了一种基于大语言模型的个性化对话生成方法及系统，包括：对人物个性对话数据集合进行个性扩展获得人物个性扩展对话数据集；利用预训练的融合模型对人物个性扩展对话数据集中的目标回复进行更新，构成新的个性对话数据集；将个性知识提示输入至大型语言模型获得人物个性信息描述信息，由新的个性对话数据集中检索与当前对话历史信息的相关样本信息，并生成回复提示；将回复提示重新输入至大型语言模型获得最终回复信息；本发明可以有效扩展人物个性信息，并将对话历史和人物个性信息进行动态调整融合，生成能力生成更丰富、多样化和流畅的回复。
-
Patent Agency Ranking
公开(公告)号：CN117435715B
公开(公告)日：2024-03-19
申请号：CN202311755781.0
申请日：2023-12-20
Applicant: 南京信息工程大学
IPC: G06F16/332 , G06F16/36 , G06N5/045 , G06F40/30 , G06N3/092 , G06N3/0499
Abstract: 本发明公开了一种基于辅助监督信号改进时序知识图谱的问答方法，针对时序知识图谱这一任务背景，在NSM推理模块中添加动态时间编码模块体现时序知识图谱的时序信息，并在整个指令模块中对实体表示进行改造，采用相对时间表示，将实体分为静态和动态表示两部分，将这两部分进行拼接来实时更新实体表示。本发明结合了NSM和强化学习算法，通过模拟和跟踪知识图谱中的状态变化和时序关系，实现了对时序知识图谱多跳推理下进行精准和高效的时序知识图谱问答，并相较于其他类型方法体现出对推理路径的可解释性。本发明提供智能、准确和个性化的问答服务，推动人工智能和知识图谱技术的发展与应用，具有广泛的应用前景。
-
公开(公告)号：CN114860914B
公开(公告)日：2023-06-16
申请号：CN202210578769.6
申请日：2022-05-26
Applicant: 南京信息工程大学
IPC: G06F16/332 , G06F16/338 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于知识库增强的端到端多领域任务型对话生成方法，涉及自然语言处理领域。首先将对话数据进行编码，获得向量表示；再通过计算各向量之间的注意力权重，并通过对话状态解码器获得当前对话状态；最后将得到的当前对话状态、知识库信息和对话历史传入解码端，通过行为解码器与响应解码器进行交互生成系统响应。通过多编码器的方式分开编码各类对话数据，使用堆叠注意力层计算各数据向量之间的注意力，能够获得当前完整的对话状态信息，大大提高了任务型对话系统在多领域对话时对用户请求的理解，也提高了系统响应生成的准确度。在解码阶段同时考虑对话行为和对话响应，并引入知识库信息，增加了系统响应内容的丰富性。
-
公开(公告)号：CN115577118A
公开(公告)日：2023-01-06
申请号：CN202211216143.7
申请日：2022-09-30
Applicant: 南京信息工程大学
IPC: G06F16/36 , G06F16/33 , G06F40/295 , G06N3/04
Abstract: 本发明公开了一种基于混合分组排序和动态实体记忆规划的文本生成方法，旨在将输入的结构化数据自动转化为描述这些数据的可读性文本。本发明通过分组阶段中的长度控制模块和子图观察模块去选择子图分组，将数据按组排序；静态规划阶段生成静态结点内容规划，达到组内组间均有序；在静态规划基础上每一个时间步都根据记忆网络动态决定下一步该输出的数据；利用三级重构，从多个角度引导解码器捕捉输入中的本质特征。本发明引入更细粒度的分组机制，弥补结构化数据和非结构化文本之间的差距；将动态内容规划更进一步与记忆网络相结合，增强语义的连贯性；引入三级重构机制，从不同层面捕捉输入与输出间的本质特征依赖关系。
-
公开(公告)号：CN114861775A
公开(公告)日：2022-08-05
申请号：CN202210423009.8
申请日：2022-04-21
Applicant: 南京信息工程大学
Abstract: 本发明了一种特征选择与聚类分析后的混合神经网络模型天气分类方法，本发明首先使用MIC最大信息系数最特征进行选择，去除MIC最大信息系数低于0.5,即与其他特征关联性低的特征；接着使用BIC系数估计最佳的聚类模型集群数k，对数据集进行高斯混合模型聚类，筛选相似的样本；然后分别搭建MLP分类神经网络和MLNN分类神经网络；最后使用集成学习中的AdaBoost自适应加强算法，对两个模型进行顺序训练并生成MLP和MLNN神经网络混合模型。本发明结合了特征选择、聚类分析及混合神经网络对天气数据进行处理，缩减了训练时间。训练多层感知机和形态学‑线性神经网络并加入集成学习的思想混合，在模型训练及混合时应用AdaBoost自适应加强算法，提高天气分类准确率。
-
公开(公告)号：CN109102108B
公开(公告)日：2021-10-26
申请号：CN201810782663.1
申请日：2018-07-16
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种基于通信数据和神经网络的实时地铁人流密度预测方法，属于大数据与深度学习技术领域。包括数据预处理、构建和训练权值共享循环神经网络模型、实时预测地铁人流密度三个步骤，先构建地铁进出站数据集B，对一定距离范围内的通信数据进行清洗得到数据集C，以K个地铁站为聚类中心对数据集C进行处理，统计每类包含的乘客数p并作为t时刻的潜在乘客；组合数据集B、C，得到数据集A(t)；再构建和训练权值共享循环神经网络模型，输入A(t)，计算t时刻下的隐藏层神经元输出ht，然后计算共享层的输出st，最终计算输出yt，即可。本发明可以准确、快速地给出实时的地铁人流密度的预测，包括地铁站附近特殊情况下的人流密度预测。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.038 seconds)
