-
公开(公告)号:CN111061843B
公开(公告)日:2023-08-25
申请号:CN201911369712.X
申请日:2019-12-26
Applicant: 武汉大学
IPC: G06F16/33 , G06F16/35 , G06F16/36 , G06F40/205 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种知识图谱引导的假新闻检测方法,包括:步骤1、基于假新闻检测数据集,构建知识图谱作为假新闻检测的背景知识,并预训练知识图谱嵌入模型;步骤2、抽取待检测新闻文本中的实体,并连接到知识图谱;步骤3、基于新闻文本与实体,获取新闻文本的词级别增强表示,并基于注意力机制提取新闻文本词级别特征;步骤4、获取新闻文本字级别表示,基于注意力机制抽取新闻文本字级别特征;步骤5、基于实体注意力模型,抽取新闻文本中的实体特征;步骤6、融合待检测新闻文本的词级别特征、字级别特征、实体特征,对待检测新闻文本进行真实性检测。本发明引入知识图谱来引导深度学习模型进行假新闻检测,提高了模型识别准确率与泛化性能。
-
公开(公告)号:CN109858034B
公开(公告)日:2023-02-03
申请号:CN201910136963.7
申请日:2019-02-25
Applicant: 武汉大学
IPC: G06F40/30 , G06F40/247 , G06F18/23213 , G06F18/24
Abstract: 本发明公开了一种基于注意力模型和情感词典的文本情感分类方法,首先获取需要进行情感分类的目标文本数据集,一部分用作训练集,另一部分作为测试集;并对目标文本数据集进行预处理,生成情感词典;然后基于情感词典,获取对文本数据具有情感表达作用的情感特征;接着获取文本中各词语的词向量,基于词向量和情感特征,计算目标文本的情感特征向量E1;最后基于注意力模型,通过目标文本的情感特征向量获取情感分类结果。本发明通过构建注意力模型,结合情感词典,能进行快速准确的文本情感分类。
-
公开(公告)号:CN109598052B
公开(公告)日:2022-07-05
申请号:CN201811440265.8
申请日:2018-11-29
Applicant: 武汉大学
IPC: G06F30/00
Abstract: 本发明提供了一种基于相关系数分析的智能电表寿命周期预测方法及装置,通过基于相关系数分析的智能电表寿命周期预测方法根据单位影响因数、制造厂商影响因数以及故障类型影响因数为主要参数,并以神经网络算法作为参数训练辅助。该方法流程如下:首先,计算验证单位、电表厂商、故障原因三个因素的周期相关性;然后得到电表的预测更换周期的预测模型,初始化模型中出现的各项的值;之后采用启发式方法迭代搜索确定权重,使用基于神经网络算法的更新权重方式进行修正;最后设计预警模型。实现了对智能电表的寿命周期的准确预测以及更换预警的技术效果。
-
公开(公告)号:CN107103093B
公开(公告)日:2020-03-10
申请号:CN201710345317.2
申请日:2017-05-16
Applicant: 武汉大学
IPC: G06F40/30 , G06F16/335 , G06F16/33
Abstract: 本发明涉及一种短文本推荐方法及装置,属于信息处理技术领域,具体涉及一种基于用户行为和情感分析的短文本推荐方法及装置。本发明结合用户历史行为以及用户历史短文本情感,通过情感负相关性分析,匹配相关类别的短文本和用户,推荐相关短文本。
-
公开(公告)号:CN108038240A
公开(公告)日:2018-05-15
申请号:CN201711453302.4
申请日:2017-12-26
Applicant: 武汉大学
Abstract: 本发明提供一种基于内容、用户多因素分析的社交网络谣言检测方法,包括:步骤a,获取文本信息例,并获取文本信息例的文本信息和用户信息;步骤b,根据文本信息,建文本信息例的文本内容特征模型,文本内容特征模型包括关键词匹配模型、情感倾向模型、情感波动模型、主题聚类匹配模型和内容影响力评价模型;步骤c,根据用户信息,构建所述文本信息例的用户特征模型,用户特征模型包括内容一致性评判模型和用户影响力评价模型。步骤d,根据文本内容特征模型和用户特征模型,构建特征向量,训练分类器,将特征向量输入分类器并输出结果,以完成识别社交网络谣言。本发明不依靠单一特征进行检测,避免谣言的误查,提高检测精度。
-
公开(公告)号:CN106991638A
公开(公告)日:2017-07-28
申请号:CN201710204294.3
申请日:2017-03-30
Applicant: 武汉大学
Abstract: 本发明涉及一种基于序列影像Harris‑DOG特征提取的多粒度并行优化的方法,首先进行相应的任务划分,主机端(CPU)采用多线程方式处理,读入影像并上传至GPU全局存储器。然后进行Harris特征提取时,CPU初始化相关的参数,并上传参数值至GPU;进行DOG特征提取时,CPU计算高斯模板并绑定到GPU常量存储器。设备端(GPU)采用CUDA并行方式处理,Harris‑DOG算子特征提取算法针对同样的原始图像输入,分别运用Harris算子和DOG算子进行特征点提取,并回传计算结果至CPU。最后主机端进行特征点集合构建和合并。本发明可以有效地对序列影像Harris‑DOG特征提取进行加速优化。
-
公开(公告)号:CN106991011A
公开(公告)日:2017-07-28
申请号:CN201710204293.9
申请日:2017-03-30
Applicant: 武汉大学
IPC: G06F9/50
CPC classification number: G06F9/5027 , G06F9/5066
Abstract: 本发明涉及一种针对大数据任务处理的基于CPU多线程与GPU多粒度并行及协同优化的方法,首先创建主线程,根据已知参数计算CPU_GPU最佳任务划分。启动n个线程,其中1个负责调度GPU,其余负责执行CPU计算任务。然后采用内存池技术降低数据从磁盘读入内存的通信开销;采用哈希表和信息摘要解决多线程访存中资源竞争的问题;采用流水线技术隐藏数据从内存读入CPU的通信时间。在主机端,CPU采用多核多线程方式执行分配到的任务;在设备端,GPU采用CUDA并行方式执行分配到的任务。全部任务完成后,主线程收回控制权直至退出。本发明可以在大数据任务处理中取得明显的加速效果,降低任务总的处理时间,提高处理效率。
-
公开(公告)号:CN106991160B
公开(公告)日:2020-07-24
申请号:CN201710203904.8
申请日:2017-03-30
Applicant: 武汉大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本文发明涉及一种基于用户影响力以及内容的微博传播预测方法,流程如下:1.利用scrapy技术对两个用户的个人信息和他们之间的转发关系及转发微博进行爬取。2.利用RankPage影响力分析技术提取用户影响力,形成用户权威预测因子。3.采用单位时间粉丝转发微博在所有发表微博的百分比,提取粉丝转发活跃度预测因子。4.采用TF‑IDF词语权重技术对微博内容进行重要性分析,提取微博重要性预测因子。5.利用滚雪球的抽样方法将提取到的转发关系划分成10折微博转发训练集和微博忽略训练集6.利用有监督的贝叶斯网络对训练集进行训练,直至分类器参数收敛。利用本发明可以提高针对新浪微博特定粉丝转发微博预测的准确度。
-
公开(公告)号:CN107301474A
公开(公告)日:2017-10-27
申请号:CN201710465683.1
申请日:2017-06-19
Applicant: 武汉大学
Abstract: 本发明涉及数据挖掘及深度学习技术,具体涉及一种针对低压用户的基于深度学习的用电量预测方法,包括以下步骤:步骤1、获取低压用户用电量相关的属性参数;步骤2、对步骤1获取的参数进行数据预处理;步骤3、将经步骤2处理后的数据输入DBN建立低压用户日用电量预测模型,其中日用电量为被预测量;步骤4、将待预测日期除日用电量之外的属性参数输入步骤3所得低压用户日用电量预测模型得到低压用户当日用电量预测值。该预测方法可以在无法获得低压用户日用电模式的基础上,预测出低压用户的日用电量,同时,考虑到工作或气候变化引起的用电量突变问题,采用了目前较流行的深度学习算法对日用电量进行预测,使预测的结果更为精确。
-
公开(公告)号:CN106991011B
公开(公告)日:2020-07-24
申请号:CN201710204293.9
申请日:2017-03-30
Applicant: 武汉大学
IPC: G06F9/50
Abstract: 本发明涉及一种针对大数据任务处理的基于CPU多线程与GPU多粒度并行及协同优化的方法,首先创建主线程,根据已知参数计算CPU_GPU最佳任务划分。启动n个线程,其中1个负责调度GPU,其余负责执行CPU计算任务。然后采用内存池技术降低数据从磁盘读入内存的通信开销;采用哈希表和信息摘要解决多线程访存中资源竞争的问题;采用流水线技术隐藏数据从内存读入CPU的通信时间。在主机端,CPU采用多核多线程方式执行分配到的任务;在设备端,GPU采用CUDA并行方式执行分配到的任务。全部任务完成后,主线程收回控制权直至退出。本发明可以在大数据任务处理中取得明显的加速效果,降低任务总的处理时间,提高处理效率。
-
-
-
-
-
-
-
-
-