-
公开(公告)号：CN111353009A
公开(公告)日：2020-06-30
申请号：CN202010079202.5
申请日：2020-02-03
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本申请公开了一种建立路线耗时预估模型、预估路线耗时的方法及对应装置，设置人工智能技术领域。技术方案包括：从用户轨迹数据中获取训练数据，训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；利用训练数据训练得到路线耗时预估模型，其中路线耗时预估模型包括：路况子网络利用时间信息和路线所包含各路段的路网特征表示，预估路线所包含各路段的路况特征表示；整合子网络依据时间信息的特征表示、路线所包含各路段的向量表示以及路线所包含各路段的路况特征表示，确定路线的预估耗时；路线耗时预估模型的训练目标为：最小化路线的预估耗时与实际耗时的差距。本申请能够提高路线耗时预估的准确性。
-
公开(公告)号：CN110046457A
公开(公告)日：2019-07-23
申请号：CN201910344538.7
申请日：2019-04-26
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F17/50
Abstract: 本申请提出一种人体模型的控制方法、装置、电子设备以及存储介质，其中，方法包括：通过获取用于指示人体模型状态的特征信息，将特征信息输入行走模型的多个策略网络，得到各策略网络输出的控制信息，采用行走模型的价值网络对每一个策略网络输出的控制信息进行评分，根据评分，从各策略网络输出的控制信息中确定目标控制信息，根据目标控制信息，控制人体模型。由于行走模型相比现有技术中的强化学习算法，具有数据利用率高、鲁棒性强的特点，因此，通过行走模型的多个价值网络对每一个策略网络输出的控制信息进行评分，进而根据评分确定的目标控制信息控制人体模型，能够更加准确的控制人体模型，从而使得人体模型保持正常的姿态行走。
-
公开(公告)号：CN109255070A
公开(公告)日：2019-01-22
申请号：CN201810865257.1
申请日：2018-08-01
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F16/9535 , G06K9/62 , G06K9/46
Abstract: 本申请提出一种推荐信息处理方法、装置、计算机设备及存储介质，其中，方法包括：确定推荐列表中第i个推荐信息对应的第一向量，其中，i为正整数；根据所述第一向量，确定前i个推荐信息对应的第二向量；根据所述第一向量及所述第二向量，确定候选推荐信息集中每个候选推荐信息的点击概率；根据每个候选推荐信息的点击概率，从所述候选推荐信息集中选取第i+1个推荐信息。通过本方法，实现了根据推荐信息之间的关联性来对推荐信息进行排序，有利于提高推荐列表中推荐信息的点击率，解决了现有技术中根据单一的打分结果确定推荐列表，忽略了推荐信息之间的关联性、推荐信息的点击率低的技术问题。
-
公开(公告)号：CN110046457B
公开(公告)日：2021-02-05
申请号：CN201910344538.7
申请日：2019-04-26
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F30/20 , G06F111/10
Abstract: 本申请提出一种人体模型的控制方法、装置、电子设备以及存储介质，其中，方法包括：通过获取用于指示人体模型状态的特征信息，将特征信息输入行走模型的多个策略网络，得到各策略网络输出的控制信息，采用行走模型的价值网络对每一个策略网络输出的控制信息进行评分，根据评分，从各策略网络输出的控制信息中确定目标控制信息，根据目标控制信息，控制人体模型。由于行走模型相比现有技术中的强化学习算法，具有数据利用率高、鲁棒性强的特点，因此，通过行走模型的多个价值网络对每一个策略网络输出的控制信息进行评分，进而根据评分确定的目标控制信息控制人体模型，能够更加准确的控制人体模型，从而使得人体模型保持正常的姿态行走。
-
公开(公告)号：CN105119733B
公开(公告)日：2019-01-15
申请号：CN201510390185.6
申请日：2015-07-06
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本发明公开了一种人工智能系统及其状态跳转方法、服务器、通信系统，其中，所述状态跳转方法包括：根据评估模型确定人工智能系统的当前状态所对应的策略的执行预期；根据确定的执行预期或根据确定的执行预期以及预设的统计方式从人工智能系统的当前状态所对应的策略中选取策略；通过执行选取的策略实现状态跳转；其中，所述人工智能系统中的单个状态对应至少一个策略；其中，所述评估模型用于表示所述人工智能系统中各状态所对应策略的执行预期。采用本发明，能够提高人工智能系统的智能、容错性和可维护性。当将本发明应用于游戏领域时，能提高游戏的可玩性。
-
Patent Agency Ranking
公开(公告)号：CN104331459A
公开(公告)日：2015-02-04
申请号：CN201410602477.7
申请日：2014-10-31
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F17/30
CPC classification number: G06F17/30867
Abstract: 本发明实施例公开了一种基于在线学习的网络资源推荐方法及装置，该方法包括：根据用户针对展示的网络资源的反馈日志，对用于推荐网络资源的数据模型进行训练；基于所述数据模型对需要推荐的网络资源按照E&E算法进行打分和推荐；对推荐的网络资源进行展示。本发明实施例以用户的反馈来训练数据模型，实现对数据模型进行快速反复的迭代，能提高推荐策略的反应速度和推荐的准确率。
-
公开(公告)号：CN109255070B
公开(公告)日：2022-04-12
申请号：CN201810865257.1
申请日：2018-08-01
Applicant: 百度在线网络技术(北京)有限公司
IPC: G06F16/9535 , G06K9/62 , G06V10/46 , G06V10/74
Abstract: 本申请提出一种推荐信息处理方法、装置、计算机设备及存储介质，其中，方法包括：确定推荐列表中第i个推荐信息对应的第一向量，其中，i为正整数；根据所述第一向量，确定前i个推荐信息对应的第二向量；根据所述第一向量及所述第二向量，确定候选推荐信息集中每个候选推荐信息的点击概率；根据每个候选推荐信息的点击概率，从所述候选推荐信息集中选取第i+1个推荐信息。通过本方法，实现了根据推荐信息之间的关联性来对推荐信息进行排序，有利于提高推荐列表中推荐信息的点击率，解决了现有技术中根据单一的打分结果确定推荐列表，忽略了推荐信息之间的关联性、推荐信息的点击率低的技术问题。
-
公开(公告)号：CN108921624B
公开(公告)日：2021-10-01
申请号：CN201810847894.6
申请日：2018-07-27
Applicant: 百度在线网络技术(北京)有限公司
Abstract: 本发明提出一种广告融合方法、装置、存储介质和终端设备，其中，所述方法包括：将非广告结果和广告结果汇合在候选结果集合中；将所述候选结果集合输入序列生成模型，得到所述候选结果集合中的各候选结果的选择概率；根据各所述候选结果的选择概率，从所述候选结果集合中选取候选结果，生成多个候选推荐序列；将各所述候选推荐序列输入序列评估模型，得到各所述候选推荐序列的评估结果；以及根据各所述候选推荐序列的评估结果，从所述各候选推荐序列中选取优选推荐序列。采用本发明，可以使得在序列中插入的广告不会过于突兀，有效地提高用户的浏览体验。
-
公开(公告)号：CN105119733A
公开(公告)日：2015-12-02
申请号：CN201510390185.6
申请日：2015-07-06
Applicant: 百度在线网络技术(北京)有限公司
CPC classification number: H04L41/0893 , A63F2300/807 , A63F2300/8082 , H04L41/145 , H04L67/38
Abstract: 本发明公开了一种人工智能系统及其状态跳转方法、服务器、通信系统，其中，所述状态跳转方法包括：根据评估模型确定人工智能系统的当前状态所对应的策略的执行预期；根据确定的执行预期或根据确定的执行预期以及预设的统计方式从人工智能系统的当前状态所对应的策略中选取策略；通过执行选取的策略实现状态跳转；其中，所述人工智能系统中的单个状态对应至少一个策略；其中，所述评估模型用于表示所述人工智能系统中各状态所对应策略的执行预期。采用本发明，能够提高人工智能系统的智能、容错性和可维护性。当将本发明应用于游戏领域时，能提高游戏的可玩性。
-
公开(公告)号：CN111292549B
公开(公告)日：2022-03-22
申请号：CN202010079207.8
申请日：2020-02-03
Applicant: 百度在线网络技术(北京)有限公司
IPC: G08G1/0968 , G01C21/34
Abstract: 本申请公开了一种建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置，涉及人工智能领域。具体实现方案为：从用户轨迹数据中获取训练数据，训练数据包括：用户经过的路线、用户经过该路线时的时间信息以及用户经过该路线的实际耗时信息；利用训练数据训练得到路线耗时预估模型，其中路线耗时预估模型包括：路段子网络基于路线所包含的各路段及其上下文，分别获取各路段的向量表示；整合子网络依据时间信息的特征表示、各路段的向量表示以及路线所包含各路段的路况特征表示，确定路线的预估耗时，其中路段的路况特征表示由路段及其上下文的路况信息得到；路线耗时预估模型的训练目标为：最小化路线的预估耗时与实际耗时的差距。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.039 seconds)
