-
Patent Agency Ranking
公开(公告)号：CN107087161B
公开(公告)日：2019-05-03
申请号：CN201710291024.0
申请日：2017-04-28
Applicant: 南京邮电大学
IPC: H04N17/00
Abstract: 本发明公开了视频业务中基于多层神经网络的用户体验质量的预测方法，包括数据预处理，即选择视频业务中影响用户体验的特征参数，根据用户的报障/非报障将其映射为用户的QoE。随后建立多层神经网络的QoE预测模型，该神经网络包含五层，从低到高依次为：输入层—第一隐层—第二隐层—第三隐层—输出层。输入预处理后的数据，获得模型的最佳参数值，训练上述建立好的神经网络模型。最后完成用户体验质量QoE预测。本发明对数据进行预处理，选取重要的特征属性，综合考虑各种参数，可以使模型预测的视频质量真正接近用户对视频质量的主观体验，有助于更好预测用户体验质量，有利于及时准确反馈结果，帮助服务提供商和网络运营商不断完善视频业务和传输服务。
-
公开(公告)号：CN107087161A
公开(公告)日：2017-08-22
申请号：CN201710291024.0
申请日：2017-04-28
Applicant: 南京邮电大学
IPC: H04N17/00
Abstract: 本发明公开了视频业务中基于多层神经网络的用户体验质量的预测方法，包括数据预处理，即选择视频业务中影响用户体验的特征参数，根据用户的报障/非报障将其映射为用户的QoE。随后建立多层神经网络的QoE预测模型，该神经网络包含五层，从低到高依次为：输入层—第一隐层—第二隐层—第三隐层—输出层。输入预处理后的数据，获得模型的最佳参数值，训练上述建立好的神经网络模型。最后完成用户体验质量QoE预测。本发明对数据进行预处理，选取重要的特征属性，综合考虑各种参数，可以使模型预测的视频质量真正接近用户对视频质量的主观体验，有助于更好预测用户体验质量，有利于及时准确反馈结果，帮助服务提供商和网络运营商不断完善视频业务和传输服务。
-
公开(公告)号：CN112287247B
公开(公告)日：2022-11-11
申请号：CN201910628876.3
申请日：2019-07-12
Applicant: 南京邮电大学
IPC: G06F16/9537 , G06F16/9536 , G06F16/29 , G06K9/62 , G06Q50/00
Abstract: 本发明公开了基于Meanshift和K‑means算法的社交网络用户位置特征提取方法和装置，该方法用于解决在海量的用户签到数据中发现用户签到频次中较高的热点区域，即用户真正感兴趣的位置，本发明的实施流程包括：首先对从Flickr平台收集到的用户签到数据进行分析和预处理，选取一个签到点较为密集且比较典型的区域作为研究区域，而后基于Meanshift方法对某个城市范围的签到数据进行初步聚类，并对筛选出规模较大的簇和过于密集的簇基于K‑means方法进行二次聚类，最后根据分簇结果划分到对应兴趣点(POI)，即完成用户位置特征提取。采用本发明的方法，可以更有效地实现对于LBSNs数据的位置特征提取。
-
公开(公告)号：CN112287247A
公开(公告)日：2021-01-29
申请号：CN201910628876.3
申请日：2019-07-12
Applicant: 南京邮电大学
IPC: G06F16/9537 , G06F16/9536 , G06F16/29 , G06K9/62 , G06Q50/00
Abstract: 本发明公开了基于Meanshift和K‑means算法的社交网络用户位置特征提取方法和装置，该方法用于解决在海量的用户签到数据中发现用户签到频次中较高的热点区域，即用户真正感兴趣的位置，本发明的实施流程包括：首先对从Flickr平台收集到的用户签到数据进行分析和预处理，选取一个签到点较为密集且比较典型的区域作为研究区域，而后基于Meanshift方法对某个城市范围的签到数据进行初步聚类，并对筛选出规模较大的簇和过于密集的簇基于K‑means方法进行二次聚类，最后根据分簇结果划分到对应兴趣点(POI)，即完成用户位置特征提取。采用本发明的方法，可以更有效地实现对于LBSNs数据的位置特征提取。
-
公开(公告)号：CN110162553A
公开(公告)日：2019-08-23
申请号：CN201910422603.3
申请日：2019-05-21
Applicant: 南京邮电大学
IPC: G06F16/2458 , G06F16/215 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于attention-RNN的用户兴趣挖掘方法，包括：步骤1，原始数据收集；步骤2，结构化处理；步骤2，数据清洗；步骤3，异常值判别与处理；步骤4，数据归一化；步骤5，建立用户兴趣挖掘模型，所述用户兴趣挖掘模型包括输入层、embedding层、LSTM层、attention层和输出层。该方法基于LTSM的兴趣挖掘模型，将用户行为序列转化成一系列的兴趣状态，并在此基础上增加了attention机制，实现了对家庭成员不同个体兴趣偏好的提取，算法准确度高。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
