公开(公告)号：CN120067318A

公开(公告)日：2025-05-30

申请号：CN202510124175.1

申请日：2025-01-26

Applicant: 河南大学

Inventor： 徐树维 ,  高鑫 ,  张静芸 ,  唐志伟

IPC: G06F16/35 ,  G06F18/22 ,  G06F18/25 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明公开基于多视图多模态网络的社交媒体机器人检测方法和系统，该方法包括：步骤一：收集用户的文本数据、用户图关系类型数据和用户属性特征；步骤二：将文本数据输入到Roberta模型中，得到文本序列数据的概率分布；将用户图关系类型数据输入到Roberta模型中，得到用户图关系类型数据的概率分布；将用户属性特征输入到MLP模型中，得到用户属性特征的概率分布；步骤三：将文本序列数据的概率分布、用户图关系类型数据的概率分布和用户属性特征的概率分布输入到多头注意力多视图融合模型中，得到分类结果，完成社交媒体机器人检测。本发明可以更好捕捉不同数据类型间的高阶相关性，减低了分类结果可能存在的偏倚。

公开(公告)号：CN118657142A

公开(公告)日：2024-09-17

申请号：CN202410827117.0

申请日：2024-06-25

Applicant: 河南大学

Inventor： 徐树维 ,  张敬芸 ,  唐志伟 ,  高鹏宇 ,  高鑫 ,  杨斌

IPC: G06F40/253 ,  G06F40/30 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开一种基于语法‑语义图卷积网络的方面级情感分析方法，包括：利用BERT编码器提取待分类文本数据集中的单词向量表示；利用句子语法依赖树的概率矩阵获取语法信息，通过注意力得分矩阵得出语义信息，随后将节点特征分别与语法信息、语义信息进行特征交互，进而捕获句子中每个词对的关系概率分布；构建语法‑语义图卷积网络模型，将每个单词作为图的节点，依赖关系作为边，聚合节点特征信息和边特征信息；为每个词对引入词性组合、句法依赖类型、基于树的距离和相对位置距离；依据文本深度信息分配权重进行分类输出，同时提取出方面词、意见词和情感极性三元组。本发明可以提高方面级情感分析中三元组提取任务的准确率。

公开(公告)号：CN117995414A

公开(公告)日：2024-05-07

申请号：CN202410168528.3

申请日：2024-02-06

Applicant: 河南大学

Inventor： 翟锐 ,  唐志伟 ,  徐宋天浩 ,  宋亚林

IPC: G16H50/50 ,  G16H50/70 ,  G06N20/00

Abstract: 本申请提供一种训练医疗模型的方法、装置、设备和可读存储介质，该方法包括，分别通过多个目标医院的医疗病例数据，训练多个目标医院中每一目标医院的本地医疗模型；将每一目标医院的本地医疗模型进行解耦知识蒸馏训练，得到多个蒸馏后的本地医疗模型；将多个蒸馏后的本地医疗模型和对应的专属全局模型进行正则化迁移学习，得到每一目标医院的医疗模型。通过该方法可以达到准确的训练更加实用和高效医疗模型的效果。

公开(公告)号：CN116843491A

公开(公告)日：2023-10-03

申请号：CN202310917228.6

申请日：2023-07-21

Applicant: 河南大学

Inventor： 徐树维 ,  司高飞 ,  唐志伟 ,  李兆可 ,  张敬芸

IPC: G06Q50/00 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供一种加强学习用户和物品embedding的图神经网络社交推荐方法。该方法包括：步骤1：将用户社交数据存储为图结构得到社交图，将用户对物品的评分数据存储为图结构得到用户‑物品图，并根据用户‑物品图构建得到物品‑物品图，将社交图、用户‑物品图和物品‑物品图组合在一起得到社交推荐图；步骤2：将所述社交推荐图分为训练集和测试集；步骤3：构建图神经网络，采用训练集对所述图神经网络进行训练得到社交推荐模型；步骤4：采用社交推荐模型对测试集的用户节点‑物品节点对进行预测，得到该用户节点对该物品节点的评分预测结果。本发明可以提高社交推荐对于评分预测的准确率。

公开(公告)号：CN119670849A

公开(公告)日：2025-03-21

申请号：CN202411534922.0

申请日：2024-10-30

Applicant: 河南大学

Inventor： 翟锐 ,  刘世崇 ,  吕科 ,  于俊洋 ,  白晨希 ,  靳浩哲 ,  唐志伟

IPC: G06N3/098 ,  G06N3/096 ,  G06N3/09 ,  G06N3/045 ,  G06F18/213 ,  G06F18/24 ,  G06F18/21 ,  H04L67/10 ,  G06V10/82 ,  G06V10/40 ,  G06V10/764 ,  G06V10/94 ,  G06V10/776

Abstract: 本发明提供一种基于联邦学习的异构模型训练方法及系统。该方法包括：每个客户端初始化本地异构模型，并将本地异构模型分割为特征提取器和分类器；服务器初始化一个全局适配器；服务器将全局适配器下发至每个客户端；每个客户端将接收到的全局适配器作为待更新的本地适配器，使用本地数据对待更新的本地适配器、特征提取器和分类器进行训练，生成当前最优的本地适配器、特征提取器和分类器；其中，训练过程中，待更新的本地适配器和特征提取器共用分类器；每个客户端将当前最优的本地适配器上传至服务器；服务器对接收到的所有本地适配器进行聚合以得到更新后的全局适配器，迭代更新全局适配器，直至每个客户端上的本地异构模型达到预设要求。