-
公开(公告)号：CN118113731A
公开(公告)日：2024-05-31
申请号：CN202311486619.3
申请日：2023-11-09
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F16/2452 , G06F16/242 , G06F16/2453 , G06F16/901 , G06N3/045
Abstract: 本发明公开了一种基于注意力机制的自然文本转图数据库查询语言的方法，包括如下步骤：步骤一，构建CQL查询模板，获取自然文本问题、图数据库模式；步骤二，进行嵌入表示；步骤三，预测MATCH子句；步骤四，预测WHERE子句；步骤五，预测RETURN子句；步骤六，进行反向传播，更新网络参数，完成语言转换。本发明的基于注意力机制的自然文本转图数据库查询语言的方法，通过步骤一至步骤六的设置，所生成的CQL查询语句比现有的方法更加准确和规范。
-
公开(公告)号：CN117950794A
公开(公告)日：2024-04-30
申请号：CN202311491000.1
申请日：2023-11-10
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F9/455
Abstract: 本发明公开了一种基于Kubernetes的服务编排系统，包括可视化编排组件，该可视化编排组件用于与用户进行人机交互，以供用户通过前端的图形化流程配置服务编排过程及其服务的相关的信息；控制面板组件，该控制面板组件与可视化编排组件通信连接，以接收可视化编排组件配置好的信息，并将信息进行解析，转换为crd的配置信息；编排引擎组件，该编排引擎组件与控制面板组件通信连接，以接收控制面板传入的配置信息，编排引擎会根据信息进行拓扑排序，并对每个节点启动一个go routine来负责完成服务编排，并将服务编排结果直接传递至用户；其中，控制面板组件的crd是指k8s里的operator。本发明的基于Kubernetes的服务编排系统，基于Kubernetes的服务编排系统。
-
公开(公告)号：CN117668354A
公开(公告)日：2024-03-08
申请号：CN202311492668.8
申请日：2023-11-10
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F16/9535 , G06F16/9536 , G06N20/00 , G06F17/16 , G06N3/0464 , G06N3/084 , G06N3/04
Abstract: 本发明公开了一种可学习增强的图对比推荐方法，包括如下步骤：步骤一，对原始交互矩阵进行表示学习以进行原始交互图学习，这使模型能够保留原始信息，以保留有价值的上下文关系；步骤二，构建若干个视图生成器来获得可学习的矩阵以进行可学习视图的表示学习；步骤三，引入基于SVD的潜在矩阵来探索潜在的用户‑物品关系以进行潜在用户‑物品关系建模；步骤四，采用三视图对比策略来帮助学习主要推荐任务以进行三重视图对比学习。本发明的可学习增强的图对比推荐方法，通过结合图对比学习和可学习增强，便可将生成的可学习视图被很好地细化为无噪声。
-
公开(公告)号：CN117909577A
公开(公告)日：2024-04-19
申请号：CN202311858903.9
申请日：2023-12-30
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F16/9535 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种多行为感知的图对比推荐方法，包括：(1)原始视图上的表示学习；(2)无噪视图上的表示学习；(3)多行为感知建模，包含潜在行为建模、E步的行为表示学习和M步的行为对比学习；(4)多任务学习。本发明很好地建模了用户的多种行为，从而更加有效地捕捉了用户/物品之间的交互关系，使得表示得到进一步提升；同时，解决了对比学习中的噪声问题，使得本发明推荐方法学习到的表示更加有效。
-
公开(公告)号：CN117829165A
公开(公告)日：2024-04-05
申请号：CN202311646344.5
申请日：2023-12-04
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F40/35 , G06F40/211 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于大语言模型的超采样文本生成方法，包括：(1)将输入文本切分出基本文本单元；(2)基于大语言模型对文本进行特征嵌入，识别相邻基本文本单元之间的语义跃迁，构建由前段、中段、后段组成的文本三元组；(3)每个文本三元组初始化段落嵌入和位置嵌入，和文本嵌入相加得到综合嵌入；(4)将综合嵌入送入超采样模型，捕捉中间被省略的语义信息，得到特征向量；(5)使用多头注意力将特征向量和实际前后段文本的综合嵌入进行信息融合，并与前段文本综合嵌入拼接；(6)将拼接向量送入解码生成器模型，根据前段文本信息和超采样模型对中间语义的补充，生成后续内容。本发明可以提高模型的泛化能力，提升文本生成效果。
-
Patent Agency Ranking
公开(公告)号：CN119473952A
公开(公告)日：2025-02-18
申请号：CN202411447447.3
申请日：2024-10-16
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
Abstract: 本发明公开了一种基于CXL内存架构的两级数据池数据加载方法，本发明将CXL内存作为冷数据池存储使用频率较低的数据，服务器节点的DRAM内存作为热数据池存储使用频率较高的数据。当一个CXL内存上的数据多次被使用时，数据监控器将通过延迟缓存策略判断是否能将其转移为热数据，并将其缓存。本发明还采用了自适应的缓存策略将热数据通过热数据池在服务器保留一定时间，提升应用性能。热数据池动态的学习缓存策略。每次添加热数据或驱逐热数据时，都将根据LRU‑S、LFU‑S和FIFO专家权重来选择缓存策略。同时热数据池包含历史列表，允许缓存策略的驱逐决策后悔行为，并对错误决策进行惩罚。
-
公开(公告)号：CN119377365A
公开(公告)日：2025-01-28
申请号：CN202411468509.9
申请日：2024-10-21
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
IPC: G06F16/3329 , G06F16/334 , G06F16/36 , G06N5/04
Abstract: 本发明公开了，本发明提出了一种基于历史人物作品与生平的大模型构建方法及装置，专门用于扮演历史人物的大模型构建。通过这一方法，模型不仅能够生成符合苏轼风格的文本，还能在多轮对话中动态展现苏轼的思想深度和个性特征，对于超出历史人物的知识，模型也能还原出历史人物的无知与迷惑。本发明利用历史人物的文学作品和生平事迹，构建了具有文化深度的苏轼对话数据集，对大语言模型进行微调，并通过构建历史人物作品和生平的知识库，突破了现有技术在语言生成和知识推理方面的局限性，成功实现了对苏轼这一历史人物的言行举止、思想观点和文学风格的高度逼真模拟。
-
公开(公告)号：CN119359832A
公开(公告)日：2025-01-24
申请号：CN202411293490.9
申请日：2024-09-14
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
IPC: G06T11/00 , G06T5/90 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种噪声空间反演的人物图像编辑方法及装置。本发明使用了扩散模型对人物图像进行反演，实现了对人物图像的精准重构，解决编辑过程中人物出现伪影的问题；提取人物图像面部轮廓特征，使用控制网络对轮廓特征进行卷积处理后注入扩散模型，保证了编辑过程中人物的一致性，解决编辑导致的前后人物不一致的问题；使用文本提示对人物图像进行编辑，文本提示通过扩散模型中的交叉注意力层对特征图像进行编辑，解决用户编辑方式单一且困难的问题。
-
公开(公告)号：CN118316623A
公开(公告)日：2024-07-09
申请号：CN202410496169.4
申请日：2024-04-24
Applicant: 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学
Abstract: 本发明公开了一种AIGC模型联邦学习训练的全阶段可信保障方法。本发明以区块链作为技术和Nostr协议为基础，设计基于Nostr协议的多方数据验证机制保障数据准备阶段可信，设计链上和链下相结合的验证策略保证适配器更新可信，设计链上选举，链下合并模型，链上验证策略保证模型合并可信，旨在保证以大语言模型为代表的AIGC模型联邦学习训练的全流程可信。
-
公开(公告)号：CN118552097A
公开(公告)日：2024-08-27
申请号：CN202410505795.5
申请日：2024-04-25
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心)
IPC: G06Q10/08 , G06N3/092 , G06N3/084 , G06N3/042 , G06Q10/047
Abstract: 本发明公开了一种基于深度强化学习的仓储物流调度方法，包括调度数据集构建、深度神经网络模型构建和训练以及运输路径生成。深度神经网络包括指针网络和图神经网络，分别用与输出运输点概率向量和热图向量，且根据运输点概率向量与二维坐标距离长度构建第一奖惩值、根据热图向量与目标二维热图向量的交叉熵构建第二奖惩值；将两个奖惩值应用到损失函数中进行反向传播。所述运输路径生成利用旅行商问题的局部最优性，通过交换运输点位置，有效解决最优运输路径中相邻运输点在现有神经网络方法得到的运输路径中可能相隔很远的问题。
-
-
-
-
-
-
-
-
-
Search Results
698
records
(took 0.073 seconds)
