-
公开(公告)号：CN115168705A
公开(公告)日：2022-10-11
申请号：CN202210714353.2
申请日：2022-06-22
Applicant: 杭州电子科技大学 , 浙江盘石信息技术股份有限公司
IPC: G06F16/9535 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于用户交互记录的用户画像预测方法，该方法包括：采集用户的基本信息、用户项目交互记录、项目属性信息；构建用户关系图，利用图卷积神经网络学习相邻用户的特征；构建项目属性图，利用图注意力神经网络丰富商品的语义信息；构造用户项目异构图，利用一种二部图卷积神经网络的提取用户间的高阶连通特征，学习用户间的相似性。本发明提高了用户画像的准确性，从而可以利用用户画像为相应用户提供个性化服务。
-
公开(公告)号：CN114238758A
公开(公告)日：2022-03-25
申请号：CN202111531109.4
申请日：2021-12-14
Applicant: 杭州电子科技大学 , 浙江盘石信息技术股份有限公司
IPC: G06F16/9535 , G06F16/36 , G06F40/289 , G06F16/35 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q30/06
Abstract: 本发明公开一种基于多源跨界数据融合的用户画像预测方法，针对现有技术项目特征稀疏、高阶结构化特征缺失以及用户行为序列特征缺失而导致的用户特征预测不准的问题。基于用户产生的电商数据，利用知识图谱扩充商品特征、利用图卷积网络充分对用户历史购买记录进行挖掘及利用循环神经网络预测用户的潜在购买特征，有效提升了用户画像预测的准确性。本发明的优点在于利用通过知识图谱解决了商品特征稀疏的问题，通过图卷积神经网络解决高阶结构化特征缺失的问题，通过循环神经网络解决了用户行为序列特征缺失的问题，为推荐系统的性能提升打下良好基础。
-
公开(公告)号：CN114298734A
公开(公告)日：2022-04-08
申请号：CN202111461532.1
申请日：2021-12-02
Applicant: 杭州电子科技大学 , 浙江盘石信息技术股份有限公司
Abstract: 本发明公开了一种基于多任务学习的互联网在线广告精准投放方法。本发明从基于深度学习用于广告转化率预估的模型出发，在ESMM模型的基础上，利用AutoInt模型作为特征提取组件，提取高阶特征，以及利用自适应调整任务权重策略(AdaptTW)在模型训练过程中根据任务的学习难度和学习速度自适应调整任务的权重，保证任务优化同步，实现最优，以提升互联网广告转化率预估性能。模型不需要大量具有用户转化行为的数据，避免了由于数据稀疏导致训练不充分。本发明在应用到在线广告投放系统中，能够提升广告的转化率，同时没有过多增加模型更新训练时间。
-
公开(公告)号：CN114238758B
公开(公告)日：2023-04-11
申请号：CN202111531109.4
申请日：2021-12-14
Applicant: 杭州电子科技大学 , 浙江盘石信息技术股份有限公司
IPC: G06F16/9535 , G06F16/36 , G06F40/289 , G06F16/35 , G06F18/2415 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/047 , G06N3/084 , G06Q30/06
Abstract: 本发明公开一种基于多源跨界数据融合的用户画像预测方法，针对现有技术项目特征稀疏、高阶结构化特征缺失以及用户行为序列特征缺失而导致的用户特征预测不准的问题。基于用户产生的电商数据，利用知识图谱扩充商品特征、利用图卷积网络充分对用户历史购买记录进行挖掘及利用循环神经网络预测用户的潜在购买特征，有效提升了用户画像预测的准确性。本发明的优点在于利用通过知识图谱解决了商品特征稀疏的问题，通过图卷积神经网络解决高阶结构化特征缺失的问题，通过循环神经网络解决了用户行为序列特征缺失的问题，为推荐系统的性能提升打下良好基础。
-
公开(公告)号：CN115239412A
公开(公告)日：2022-10-25
申请号：CN202210714383.3
申请日：2022-06-22
Applicant: 杭州电子科技大学 , 浙江盘石信息技术股份有限公司
IPC: G06Q30/06 , G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于用户历史行为的在线商品推荐方法。本发明利用网络嵌入的矩阵分解(NetMF)模型来对用户历史行为进行增强表示，并且利用滤波层过滤用户历史行为中存在的噪声，再利用用户兴趣抽取层和用户兴趣演化层来充分挖掘用户历史兴趣和用户最近兴趣，最后通过多层感知机(MLP)来组合各种特征，以提升在线商品推荐性能。模型不需要超长的用户历史行为数据，这降低了对现有电子商务系统的数据要求，也避免了数据稀疏导致训练不充分。这非常有利于在线商品推荐中的模型训练、模型更新、模型上线。
-
Patent Agency Ranking
公开(公告)号：CN111079921A
公开(公告)日：2020-04-28
申请号：CN201911197354.9
申请日：2019-11-29
Applicant: 杭州电子科技大学舟山同博海洋电子信息研究院有限公司 , 杭州电子科技大学
Abstract: 本发明公开了一种基于异构分布式系统的高效神经网络训练调度方法。本发明首先通过资源探测系统探测并分析分布式系统中的资源动态变化；将训练过程分解为内迭代与外迭代作为任务调度系统的重要子集，并根据资源探测系统提供的分布式系统节点状态信息，随后任务调度系统自适应地修改环境参数并调度计算。在公开数据集下进行的相关实验表明，在保证高准确率、收敛率的前提下，本发明具有更好的鲁棒性和可扩展性。
-
公开(公告)号：CN110990155A
公开(公告)日：2020-04-10
申请号：CN201911197625.0
申请日：2019-11-29
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司 , 浙江曙光信息技术有限公司
Abstract: 本发明公开了一种面向大规模安全监控的参数通信方法。本发明首先利用监控图片作为数据集，采用多节点集群组成参数服务器系统，其中一个节点作为参数服务器，其他节点作为计算节点。其次部署性能监控模型，参数服务器通过性能监控模块获取计算节点的性能参数。然后参数服务器以收集到的性能参数为依据，使用性能聚类算法计算出参数服务器下次同步计算节点的数量。最后计算节点根据同步标记选择全局模型或本地模型进入下一次迭代训练。本发明动态限制参数服务器的同步屏障规模，减少了同步通信开销，并且保证了模型训练的准确率；在计算节点间实现了有限异步计算，充分发挥了集群整体性能，实现集群动态负载均衡。
-
公开(公告)号：CN118710933A
公开(公告)日：2024-09-27
申请号：CN202410749741.3
申请日：2024-06-12
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司
IPC: G06V10/72 , G06V10/77 , G06V10/62 , G06V10/82 , G06N3/0464 , G06N3/0499
Abstract: 本发明公开了一种基于交互二维卷积的多变量时间序列数据预测方法，属于时序数据预测领域，该方法首先定时或持续记录，收集时序数据。其次构建多变量时间序列数据预测模型，输入收集的时序数据，得到预测结果。最后对多变量时间序列数据预测模型进行训练，并测试。本发明有效捕获长期时间变量，提升预测精度，打破变量空间连续性，帮助充分捕获变量间相关性，提升模型鲁棒性，适用于多变量时序数据预测任务。
-
公开(公告)号：CN118606844A
公开(公告)日：2024-09-06
申请号：CN202410756696.4
申请日：2024-06-13
Applicant: 杭州电子科技大学 , 杭州电子科技大学舟山同博海洋电子信息研究院有限公司
IPC: G06F18/2431 , G06F18/2131
Abstract: 本发明公开了一种基于频域特征抽取的时间序列分类方法，该方法首先获取数据集中的不同维度的时间序列信息，并应用标准化。其次将标准化后的时间序列信息放入时间分块层中，进行分解，将分解后的数据输入Transformer中的自注意力层提取时域特征。然后对时域特征进行傅里叶分解，并通过选择算子同时保留频域上的高频分量和低频分量，再通过逆傅里叶变换将时序数据转换到时域维度。最后根据时域特征和频域特征信息，由分类器对时序数据进行分类。本发明从而解决了时序数据的分类过程中缺乏对频域信息的学习，提高时序分类的准确率。
-
公开(公告)号：CN111027708A
公开(公告)日：2020-04-17
申请号：CN201911197591.5
申请日：2019-11-29
Applicant: 杭州电子科技大学舟山同博海洋电子信息研究院有限公司 , 杭州电子科技大学 , 浙江曙光信息技术有限公司
Abstract: 本发明公布一种面向分布式机器学习的参数通信优化方法。本发明将机器学习迭代-收敛算法的容错特性进行扩展，提出了动态有限容错特性，并基于动态有限容错性实现了一种分布式机器学习参数通信优化策略，通过动态调节各计算节点与参数服务器的同步策略结合性能检测模型，充分利用各计算节点的性能，保证机器学习模型准确率；保证计算资源充足，模型的训练过程不受分布式计算资源动态变化的影响；将训练算法和系统硬件资源进行解耦，解放了开发人员凭经验手工进行计算资源的分配以及数据通信调优的过程，有效的提高了程序在各种集群环境下的扩展性和较高的执行效率。本发明可应用于分布式机器学习参数通信的优化、集群计算性能的优化等领域中。
-
-
-
-
-
-
-
-
-
Search Results
237
records
(took 0.047 seconds)
