-
公开(公告)号：CN106909649A
公开(公告)日：2017-06-30
申请号：CN201710099416.7
申请日：2017-02-23
Applicant: 同济大学
IPC: G06F17/30
CPC classification number: G06F16/245
Abstract: 本发明的目的是为了克服现有技术存在缺陷而提供一种基于循环神经网络高效且可扩展性强的大数据轮廓查询处理技术。本发明方法概括为：通过轮廓对象离线学习和轮廓对象在线识别两个步骤来获取大数据上的轮廓对象集。轮廓对象离线学习阶段，首先根据大数据所在领域的数据分布特征生成一定规模离线学习样本，然后基于离线学习样本构造并优化循环神经网络学习模型。轮廓对象在线识别阶段，针对所要处理大数据每个对象，使用循环神经网络学习模型，计算出每个对象模型输出值，并基于模型输出值确定和输出大数据上所有轮廓对象。具有速度快、可扩展性高及自适应能力强等优点，有效应用于互联网深度信息服务、智能交通、电子商务、和数据可视化等领域。
-
公开(公告)号：CN106909643A
公开(公告)日：2017-06-30
申请号：CN201710089527.X
申请日：2017-02-20
Applicant: 同济大学
Abstract: 本发明涉及一种基于知识图谱的社交媒体大数据主题发现方法，通过知识图谱概率化处理、社交媒体大数据语义相似度计算、主题的模糊密度聚类以及弱信息量主题过滤4个步骤来实现社交媒体大数据的主题发现。知识图谱概率化处理步骤完成知识图谱中三元组事实的置信度评估及其为真概率值的生成，社交媒体大数据语义相似度计算步骤实现每对文档的语义映射图构造以及基于近似图匹配策略评估文档间的语义相似度，主题的模糊密度聚类步骤获取社交媒体大数据的不同主题并自动确定主题的数量，而弱信息量主题过滤步骤删除语义强度不足的主题并将最优的主题列表返回给用户。与现有技术相比，本发明具有扩展性程度高、自适应能力强以及准确性高等优点，能够有效应用于社会公共安全、民众医疗健康、互联网深度信息服务和电子商务等领域。
-
公开(公告)号：CN106909643B
公开(公告)日：2020-08-14
申请号：CN201710089527.X
申请日：2017-02-20
Applicant: 同济大学
Abstract: 本发明涉及一种基于知识图谱的社交媒体大数据主题发现方法，通过知识图谱概率化处理、社交媒体大数据语义相似度计算、主题的模糊密度聚类以及弱信息量主题过滤4个步骤来实现社交媒体大数据的主题发现。知识图谱概率化处理步骤完成知识图谱中三元组事实的置信度评估及其为真概率值的生成，社交媒体大数据语义相似度计算步骤实现每对文档的语义映射图构造以及基于近似图匹配策略评估文档间的语义相似度，主题的模糊密度聚类步骤获取社交媒体大数据的不同主题并自动确定主题的数量，而弱信息量主题过滤步骤删除语义强度不足的主题并将最优的主题列表返回给用户。与现有技术相比，本发明具有扩展性程度高、自适应能力强以及准确性高等优点，能够有效应用于社会公共安全、民众医疗健康、互联网深度信息服务和电子商务等领域。
-
-
Search Results
3
records
(took 0.012 seconds)
