公开(公告)号：CN116610874A

公开(公告)日：2023-08-18

申请号：CN202310660348.2

申请日：2023-06-06

Applicant: 哈尔滨理工大学

Inventor： 赵中楠 ,  周舟 ,  刘文靖

IPC: G06F16/9536 ,  G06F16/9535 ,  G06N3/04 ,  G06N3/084 ,  G06F16/36

Abstract: 本发明公开了一种基于知识图谱和图神经网络的跨域推荐方法，其特征在于：包括以下步骤：S1：规范化初始参数；S2：为用户和项目分配域内嵌入；S3：计算用户和项目的域间初始嵌入；S4：基于跨域图计算图上传播的信息嵌入；S5：基于跨域图计算图上聚合的信息嵌入；S6：计算用户和项目的最终域间嵌入；S7：计算用户和项目间匹配值并进行推荐。本发明能够融合多域信息进行跨域图建模，并从图的语义信息和结构信息层面进行特征学习，通过学习用户和项目的域内嵌入与域间嵌入并进行匹配值计算，最后使用贝叶斯成对排序来对用户进行项目推荐。本发明可应用于多种跨域推荐场景，例如电商推荐等。

公开(公告)号：CN116822576A

公开(公告)日：2023-09-29

申请号：CN202310246409.0

申请日：2023-03-15

Applicant: 哈尔滨理工大学

Inventor： 赵中楠 ,  梁晓亮 ,  周舟

IPC: G06N3/0455 ,  G06N3/088 ,  G06Q40/03

Abstract: 本发明涉及联邦学习领域，提出一种基于变分自编码器深度聚类纵向联邦学习方法。现有的纵向联邦学习训练过程需要对数据进行加密样本对齐，即在不公开各自数据的前提下确认双方的公共用户，使用公共用户的特征进行建模。然而在不同的建模训练中不互相重叠的用户占比不在少数，这部分数据并没有参加模型训练，可能会让联邦学习训练模型效果下降。为此，本发明结合深度聚类算法，挖掘样本数据间相关性，对缺失方数据进行过滤和补全操作，进而增加可训练数据集，提高了联邦学习效率。本发明在实验中产生了较好的效果，有一定创新性和可行性。

公开(公告)号：CN116631061A

公开(公告)日：2023-08-22

申请号：CN202310646918.2

申请日：2023-06-01

Applicant: 哈尔滨理工大学

Inventor： 杨楠 ,  崔鹏 ,  周舟

IPC: G06V40/20 ,  G06V40/10 ,  G06V10/774 ,  G06V10/74 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0464

Abstract: 本发明公开了一种基于坐标注意力和软池化的行人重识别方法，包括S1：在ResNet50网络中融入改进的坐标注意力模块和软池化层，构建坐标注意力机制和软池化层行人重识别网络；S2:使用数据集中的训练集对坐标注意力机制和软池化层行人重识别网络进行训练，并采用难样本三元组损失和交叉熵损失联合训练网络；S3：将S2训练得到的坐标注意力和软池化的行人重识别网络使用数据集中的测试集进行测试，进而评估网络的识别效果，提高模型的识别能力。S4：输入查询行人图像得到行人特征，使用欧氏距离计算行人图像和数据集中的行人图像之间的相似度，并按照相似度大小进行排列，得到识别的结果。本发明所设计的改进的坐标注意力模块，可以在空间和通道上对输入的行人图像进行加权关注，帮助模型提取到更具有判别力的行人特征，提高模型的泛化能力，并与现有主流的行人重识别方法进行比较，并在两个主流的数据集Market1501，DukeMTMC‑reID上证明本发明方法的有效性。