-
公开(公告)号：CN113867983A
公开(公告)日：2021-12-31
申请号：CN202111075298.9
申请日：2021-09-14
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06F9/54 , G06F16/901 , G06N3/04 , G06N3/063 , G06N3/08
Abstract: 本申请提供一种图数据挖掘方法、装置、电子设备及机器可读存储介质，该方法包括：对原始数据进行预处理，得到图结构数据；依据分布式图神经网络的训练策略，对所述图结构数据进行切分，得到多个子图数据，并将所述子图数据存储分布式内存管理系统；构建分布式图神经网络训练函数，利用所述分布式图神经网络训练函数，依据所述分布式内存管理系统中存储的子图数据，进行分布式图神经网络模型训练，并将得到的Embedding存储到所述分布式内存管理系统；依据所述分布式内存管理系统中保存的所述Embedding进行ML模型的训练和预测。该方法可以提升图数据挖掘的执行效率。
-
公开(公告)号：CN113297409A
公开(公告)日：2021-08-24
申请号：CN202110738206.4
申请日：2021-06-30
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06F16/583 , G06K9/46 , G06N3/04 , G06N3/08
Abstract: 本申请实施例提供了一种图像搜索方法、装置、电子设备及存储介质，涉及图像处理技术领域，所述方法应用于电子设备，所述电子设备配置有持久性内存，所述持久性内存用于存储第一候选图像的图像特征，所述方法包括：获得待搜索图像的目标图像特征；获得搜索范围，若所述第一候选图像中存在处于所述搜索范围的图像，直接访问所述持久性内存，获得所述持久性内存中各个第一候选图像的图像特征，计算所述目标图像特征与各个第一候选图像的图像特征之间的相似度；根据所计算的相似度，从所述第一候选图像中确定与所述待搜索图像相似的图像。应用本申请实施例提供的方案，可以提高图像搜索效率。
-
公开(公告)号：CN112784996B
公开(公告)日：2023-06-02
申请号：CN202011637601.5
申请日：2020-12-31
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本发明实施例提供了一种基于图表征的机器学习方法及系统。其中，所述方法包括：所述第一设备通过所述机器学习框架对原始数据进行预处理；所述第一设备控制所述机器学习框架将经过预处理得到的处理后数据经由所述第一套接字和所述第二套接字传输至所述图表征框架；所述第二设备通过所述图表征框架对所述处理后数据进行图表征处理；所述第二设备控制所述图表征框架将经过图表征处理得到的图表征经由所述第二套接字和所述第一套接子传输至所述机器学习框架；所述第一设备控制所述机器学习框架基于所述图表征对所述原始数据所属对象进行处理。可以提高机器学习中算法模型的性能。
-
公开(公告)号：CN115345294A
公开(公告)日：2022-11-15
申请号：CN202210924591.6
申请日：2022-07-29
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/08 , G06N3/04 , G06F16/9536
Abstract: 本申请公开一种图神经网络的训练方法、推荐方法及电子设备，该方法包括：将社交节点数据的异质图拆分为多个异质子图，基于节点在每个异质子图上的多层邻居图卷积信息，构建社交异质增强特征，其中，社交节点数据为具有社交关系的用户数据的集合，节点表示用户社交相关对象，节点之间的边表示不同社交相关对象之间的关联关系；融合社交异质增强特征和社交节点数据的预设社交节点特征，对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型；在向目标社交图神经网络模型输入待处理社交数据后，模型的输出结果用于确定针对待处理社交数据相应用户的推荐数据。本申请旨在提升图神经网络模型的构建效率与性能。
-
公开(公告)号：CN115130642A
公开(公告)日：2022-09-30
申请号：CN202110328439.7
申请日：2021-03-26
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供了一种图卷积神经网络训练和图运算方法、装置、设备及系统中，通过对全图进行切割，得到多个子图，并针对每个子图，获得该子图中各节点在全图中的度，将各子图分发到各训练设备进行训练，并且在下发子图的同时下发获得的该子图中各节点的度，各训练设备利用本地的图卷积神经网络对该子图进行前馈计算时，由于是基于全图的度进行计算的，能够保证得到的节点输出特征与全图的节点输出特征一致，则在对图卷积神经网络进行训练的过程中，相当于是基于全图对图卷积神经网络进行训练，且由于子图的数据量远小于全图的数据量，利用多个训练设备的分布式训练方式，实现了基于大数量级的图对图卷积神经网络模型进行训练的目的。
-
Patent Agency Ranking
公开(公告)号：CN112035261A
公开(公告)日：2020-12-04
申请号：CN202010954887.3
申请日：2020-09-11
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供了数据处理方法及系统，基于CPU的分布式大数据处理框架集群包括多个预处理进程，每个预处理进程分别对自身对应的缓存分区中的样本数据进行处理，当任一缓存分区的样本数据处理完成后，将针对该一缓存分区预处理得到的数据发送给基于GPU的深度学习框架集群，深度学习框架集群在接收到分区预处理数据后即时对深度学习模型进行训练。每完成针对单个缓存分区预处理便进行数据传输，减少了大数据处理框架集群因将分布在各个预处理进程中的数据统一收集而造成的性能耗时，同时先预处理完成的分区预处理数据可以先传输给深度学习框架集群进行训练，能够增加深度学习模型的训练效率。
-
公开(公告)号：CN115130642B
公开(公告)日：2025-04-08
申请号：CN202110328439.7
申请日：2021-03-26
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/063
Abstract: 本申请实施例提供了一种图卷积神经网络训练和图运算方法、装置、设备及系统中，通过对全图进行切割，得到多个子图，并针对每个子图，获得该子图中各节点在全图中的度，将各子图分发到各训练设备进行训练，并且在下发子图的同时下发获得的该子图中各节点的度，各训练设备利用本地的图卷积神经网络对该子图进行前馈计算时，由于是基于全图的度进行计算的，能够保证得到的节点输出特征与全图的节点输出特征一致，则在对图卷积神经网络进行训练的过程中，相当于是基于全图对图卷积神经网络进行训练，且由于子图的数据量远小于全图的数据量，利用多个训练设备的分布式训练方式，实现了基于大数量级的图对图卷积神经网络模型进行训练的目的。
-
公开(公告)号：CN112035261B
公开(公告)日：2024-10-01
申请号：CN202010954887.3
申请日：2020-09-11
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请实施例提供了数据处理方法及系统，基于CPU的分布式大数据处理框架集群包括多个预处理进程，每个预处理进程分别对自身对应的缓存分区中的样本数据进行处理，当任一缓存分区的样本数据处理完成后，将针对该一缓存分区预处理得到的数据发送给基于GPU的深度学习框架集群，深度学习框架集群在接收到分区预处理数据后即时对深度学习模型进行训练。每完成针对单个缓存分区预处理便进行数据传输，减少了大数据处理框架集群因将分布在各个预处理进程中的数据统一收集而造成的性能耗时，同时先预处理完成的分区预处理数据可以先传输给深度学习框架集群进行训练，能够增加深度学习模型的训练效率。
-
公开(公告)号：CN118093571A
公开(公告)日：2024-05-28
申请号：CN202211447836.7
申请日：2022-11-18
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06F16/22 , G06F16/28 , G06N3/0464 , G06N3/047 , G06N3/063
Abstract: 本申请实施例提供了一种图结构预测方法、装置及电子设备，所述方法包括：获取待预测图结构中目标邻居节点的属性特征和相关特征，所述目标邻居节点为目标节点的邻居节点，所述相关特征包括：节点类型特征，边类型特征以及节点标签特征中的至少一种；根据所述待预测图结构的拓扑结构，将所述目标邻居节点的所述属性特征和所述相关特征传递至所述目标节点处；将所述目标节点处的特征进行聚合，得到所述待预测图结构中所述目标节点的聚合特征；根据所述待预测图结构中的所述目标节点的所述聚合特征，预测得到所述目标节点对应的预测结果。从而，提供了一种准确预测目标节点对应的预测结果的图结构预测方法。
-
公开(公告)号：CN112990332B
公开(公告)日：2023-06-02
申请号：CN202110328443.3
申请日：2021-03-26
Applicant: 杭州海康威视数字技术股份有限公司
IPC: G06V10/774 , G06V10/82 , G06V10/74 , G06N3/04 , G06N3/08
Abstract: 本申请实施例提供了一种子图规模预测和分布式训练方法、装置及电子设备，获取图的节点个数、平均度及子图个数，并根据节点个数、平均度及子图个数，利用预测模型，获得子图平均节点数；若子图平均节点数超过计算单元可承载的节点数上限，则调整子图个数，并返回执行根据节点个数、平均度及子图个数，利用预测模型，获得子图平均节点数的步骤；若子图平均节点数不超过节点数上限，则确定包括当前的子图个数和子图平均节点数的子图规模预测结果。通过本方案，增加了计算单元可处理子图的可能性，从而在一定程度上保证了计算单元可对子图进行正常处理。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.039 seconds)
