-
公开(公告)号：CN106301788A
公开(公告)日：2017-01-04
申请号：CN201610663216.5
申请日：2016-08-12
Applicant: 武汉大学
CPC classification number: H04L9/3249 , H04L9/0833 , H04L9/3033 , H04L9/3073 , H04L63/0442 , H04L63/065
Abstract: 本发明公开了一种支持用户身份认证的群组密钥管理方法，本发明包括信息发送者、信息接收者以及参与身份验证与密钥管理的可信第三方；可信第三方负责构建整个密钥系统并管理用户的身份信息；信息发送者向可信第三方请求获取数据接受者公开的身份凭证，并结合私钥对数据进行加密，然后使用私人信息对数据签名后将数据发送给整个组播系统；信息接收者使用公钥和自己的私钥对数据进行解密和来源验证。相比于传统的密钥方案，本发明极大的降低了密钥管理的压力和密钥泄漏的可能性。
-
公开(公告)号：CN118260331A
公开(公告)日：2024-06-28
申请号：CN202410438344.4
申请日：2024-04-12
Applicant: 武汉大学
IPC: G06F16/2455 , G06F16/22
Abstract: 本发明公开了一种对象代理数据库中树型结构的跨类查询方法、系统及设备，用于解决对象代理数据库中跨类查询指令执行效率不高、查询语句书写繁琐的问题，通过使用基于广义表表示法的多路径跨类查询指令接受用户输入，使用树型结构的跨类查询执行方式，可以有效减少用户输入的指令条数，同时提高查询执行效率。在此基础上提出树型路径指针追踪算法和相应类结构体、待处理队列等数据结构，用于多路径表达式的计算。采用本发明，用户能够使用一条基于广义表表示法的多路径跨类查询指令，获取到不同终点类的不同属性信息，而无需重复书写查询指令，减少了查询指令中公共路径的重复搜索，提高查询效率。
-
公开(公告)号：CN109840595B
公开(公告)日：2022-06-07
申请号：CN201910142148.1
申请日：2019-02-26
Applicant: 武汉大学
Abstract: 本发明公开了一种基于群体学习行为特征的知识追踪方法，首先根据用户要学习的新领域收集该领域的历史答题数据，采用DKVMN模型提取每个学生对每个知识点的学习过程，即学生个人知识点的学习特征；然后，利用改进的K‑Means方法针对学生个人知识点的学习特征进行聚类，同时挖掘出每个类别群体知识点的学习特征；最后，利用学生群体学习特征和学生个人知识点的学习特征预测该用户在这个领域下的学习情况。相比于当前的知识追踪方法，本发明突破性地解决了如何在新领域下的知识追踪问题，同时极大地提高了知识追踪的准确度。
-
公开(公告)号：CN109840595A
公开(公告)日：2019-06-04
申请号：CN201910142148.1
申请日：2019-02-26
Applicant: 武汉大学
Abstract: 本发明公开了一种基于群体学习行为特征的知识追踪方法，首先根据用户要学习的新领域收集该领域的历史答题数据，采用DKVMN模型提取每个学生对每个知识点的学习过程，即学生个人知识点的学习特征；然后，利用改进的K-Means方法针对学生个人知识点的学习特征进行聚类，同时挖掘出每个类别群体知识点的学习特征；最后，利用学生群体学习特征和学生个人知识点的学习特征预测该用户在这个领域下的学习情况。相比于当前的知识追踪方法，本发明突破性地解决了如何在新领域下的知识追踪问题，同时极大地提高了知识追踪的准确度。
-
Patent Agency Ranking
公开(公告)号：CN113343119B
公开(公告)日：2023-05-23
申请号：CN202110562763.5
申请日：2021-05-24
Applicant: 武汉大学
IPC: G06F16/9536 , G06N3/0464
Abstract: 本发明公开了一种层次注意力机制的群组推荐方法，首先根据对用户、项目进行嵌入编码，将高维度的编码转换为低维度的嵌入向量。采用层次注意力机制进行群组偏好融合，使用两层注意力神经网络，第一层注意力网络用于捕捉成员之间的影响，第二层注意力网络用于捕捉成员在群组决策的影响力，同时使用注意力机制计算群组的主题偏好。最后计算群组对不同项目的预测得分，并进行排序，完成群组推荐。本公开通过考虑群组成员之间的相互影响、动态调整成员权重以及群组的主题偏好，从而能实现更为有效的群组推荐。
-
公开(公告)号：CN111461455B
公开(公告)日：2022-05-13
申请号：CN202010298059.9
申请日：2020-04-16
Applicant: 武汉大学
Abstract: 本发明公开了一种基于关联周期注意力机制的行为预测方法，首先根据日志记录收集用户的学习行为数据，通过独热向量实现离散特征连续化，再通过降维进行学习者行为特征构建；然后利用信息熵检测学习者行为周期为后面预测阶段服务；行为预测考虑序列行为和历史行为的双重影响对行为进行预测，将检测出的周期关联注意力机制为其找到注意目标，再将其引入预测基学习器LSTM中完成预测。相比于当前的行为预测方法，本发明突破性地综合考虑历史行为和序列事件的对当前行为的影响，并且创新性地结合关联周期的注意力机制大大提升了预测的准确度。
-
公开(公告)号：CN113343119A
公开(公告)日：2021-09-03
申请号：CN202110562763.5
申请日：2021-05-24
Applicant: 武汉大学
IPC: G06F16/9536 , G06N3/04
Abstract: 本发明公开了一种层次注意力机制的群组推荐方法，首先根据对用户、项目进行嵌入编码，将高维度的编码转换为低维度的嵌入向量。采用层次注意力机制进行群组偏好融合，使用两层注意力神经网络，第一层注意力网络用于捕捉成员之间的影响，第二层注意力网络用于捕捉成员在群组决策的影响力，同时使用注意力机制计算群组的主题偏好。最后计算群组对不同项目的预测得分，并进行排序，完成群组推荐。本公开通过考虑群组成员之间的相互影响、动态调整成员权重以及群组的主题偏好，从而能实现更为有效的群组推荐。
-
公开(公告)号：CN111461455A
公开(公告)日：2020-07-28
申请号：CN202010298059.9
申请日：2020-04-16
Applicant: 武汉大学
Abstract: 本发明公开了一种基于关联周期注意力机制的行为预测方法，首先根据日志记录收集用户的学习行为数据，通过独热向量实现离散特征连续化，再通过降维进行学习者行为特征构建；然后利用信息熵检测学习者行为周期为后面预测阶段服务；行为预测考虑序列行为和历史行为的双重影响对行为进行预测，将检测出的周期关联注意力机制为其找到注意目标，再将其引入预测基学习器LSTM中完成预测。相比于当前的行为预测方法，本发明突破性地综合考虑历史行为和序列事件的对当前行为的影响，并且创新性地结合关联周期的注意力机制大大提升了预测的准确度。
-
公开(公告)号：CN106301788B
公开(公告)日：2019-03-19
申请号：CN201610663216.5
申请日：2016-08-12
Applicant: 武汉大学
Abstract: 本发明公开了一种支持用户身份认证的群组密钥管理方法，本发明包括信息发送者、信息接收者以及参与身份验证与密钥管理的可信第三方；可信第三方负责构建整个密钥系统并管理用户的身份信息；信息发送者向可信第三方请求获取数据接受者公开的身份凭证，并结合私钥对数据进行加密，然后使用私人信息对数据签名后将数据发送给整个组播系统；信息接收者使用公钥和自己的私钥对数据进行解密和来源验证。相比于传统的密钥方案，本发明极大的降低了密钥管理的压力和密钥泄漏的可能性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.017 seconds)
