-
公开(公告)号：CN114443827B
公开(公告)日：2025-03-11
申请号：CN202210109478.2
申请日：2022-01-28
Applicant: 福州大学
IPC: G06F16/3329 , G06F16/334 , G06N3/045
Abstract: 本发明涉及一种基于预训练语言模型的局部信息感知对话方法及系统，该方法包括以下步骤：步骤A：收集特定场景的多轮对话文本，并标注每个多轮对话回复所属的类别，构建带正负类别标签的训练集D；步骤B：使用训练集D训练基于预训练语言模型的局部信息感知深度学习网络模型PLIP，用于选择给定多轮对话上下文对应的回复；步骤C：将多轮对话上下文与回复集输入到训练后的局部信息感知深度学习网络模型PLIP中，得到对应多轮对话上下文最合适的回复。该方法及系统能够有效提高多轮对话回复选择的精确度。
-
公开(公告)号：CN119167927A
公开(公告)日：2024-12-20
申请号：CN202411213854.8
申请日：2024-08-31
Applicant: 福州大学
IPC: G06F40/279 , G06F40/216 , G06F18/10 , G06F18/214 , G06N3/0464 , G06F17/16
Abstract: 本发明涉及一种基于问题情境理解的数学应用题智能解题方法及系统，该方法包括以下步骤：步骤A：对采集到的数学应用题数据进行预处理，建立包含数学应用题的已知条件、问题以及答案的训练集；步骤B：构建用于数学应用题智能解题的深度学习模型，确定损失函数，在训练集上通过最小化损失函数训练所述深度学习模型；所述深度学习模型通过构建交互图来模拟问题中实体间的动态关系，并采用消边法逐步更新实体状态，以提高理解问题和解答应用题的能力；步骤C：将数学应用题的已知条件和问题输入训练好的深度学习模型中，输出问题的答案。该方法及系统能够理解输入的数学应用题的已知条件文本和问题描述，并给出对应的答案及方程表达式。
-
公开(公告)号：CN119167926A
公开(公告)日：2024-12-20
申请号：CN202411213844.4
申请日：2024-08-31
Applicant: 福州大学
IPC: G06F40/279 , G06F40/216 , G06F40/30 , G06F16/332 , G06N3/0464 , G06N3/0442
Abstract: 本发明涉及一种基于多视角图对比学习的答案选择方法及系统，该方法包括以下步骤：步骤A：在问答平台中收集用户的问题以及不同的回答记录，并标注每一个问答对的真实标签，得到多个问答对样本，以此构建训练集；步骤B：使用训练集训练基于多视角图对比学习的深度学习网络模型；所述深度学习网络模型分别构建句法依图和抽象语义图以挖掘上下文中的句法结构关系和语义关系，并通过堆叠图注意力网络引导正确的推理路径，实现结构与语义相关性的互补；所述深度学习网络模型还通过类别感知元网络感知不同类别问题的特征权重；步骤C：将用户的问题输入训练好的深度学习模型中，输出匹配的答案。该方法及系统有利于提高答案选择的准确性。
-
公开(公告)号：CN119166894A
公开(公告)日：2024-12-20
申请号：CN202411213869.4
申请日：2024-08-31
Applicant: 福州大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00 , G06F18/214 , G06F18/25 , G06N20/00
Abstract: 本发明涉及一种多行为共性融合推荐方法，包括以下步骤：步骤A：获取用户的行为数据，包含用户ID、目标物品ID、交互类型和交互时间，并对获取到的数据进行预处理，而后构建训练集；步骤B：构建基于多行为共性融合的深度学习网络模型，所述深度学习网络模型获取不同类型行为的共性信息并融合到最终偏好表示中，同时通过多角度对比学习辅助多种表征的学习；使用训练集训练深度学习网络模型，在训练集上通过最小化损失函数训练得到所需的深度学习网络模型；步骤C：将预处理好的待推荐用户与候选物品数据输入训练好的深度学习网络模型中，输出当前用户对目标物品产生目标行为的概率。该方法及系统有利于提高向用户推荐感兴趣物品的准确性。
-
公开(公告)号：CN118133777A
公开(公告)日：2024-06-04
申请号：CN202410247304.1
申请日：2024-03-05
Applicant: 福州大学
IPC: G06F40/126 , G06F40/289 , G06F40/211 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种数值与子句信息增强解码的数学应用题自动求解方法及系统，该方法包括以下步骤：步骤A：采集数学应用题、答案，构建数学应用题训练集DS；步骤B：使用训练集DS，训练数值与子句信息增强解码的深度学习网络模型G，用于求解数学应用题；步骤C：将数学应用题输入深度学习网络模型G中，输出当前数学应用题的相应表达式和答案。该方法及系统有利于提高数学应用题求解的准确性。
-
Patent Agency Ranking
公开(公告)号：CN116775840A
公开(公告)日：2023-09-19
申请号：CN202310794764.1
申请日：2023-06-30
Applicant: 福州大学
IPC: G06F16/332 , G06F18/214 , G06N3/042 , G06N3/0455 , G06N3/044 , G06N3/0475 , G06N3/08 , G06F40/216
Abstract: 本发明涉及一种基于远程监督和知识蒸馏的差异感知回复生成方法及系统，该方法包括以下步骤：步骤A：在社交平台中采集自然的、开放领域的对话，并使用检索系统在维基百科中检索该对话相关的背景知识，并标注真实回复的标签，以此来构建训练数据集DE；步骤B：使用训练数据集DE，训练基于远程监督和知识蒸馏的深度学习网络模型M，通过此模型选择需要的背景知识，并根据选择的背景知识生成回复；步骤C：将对话上下文、背景知识库输入到训练好的深度学习网络模型M中，生成对应的回复。该方法及系统有利于提高生成回复的准确性。
-
公开(公告)号：CN116403063A
公开(公告)日：2023-07-07
申请号：CN202310398032.0
申请日：2023-04-14
Applicant: 福州大学
IPC: G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于多区域特征融合的无参考屏幕内容图像质量评估方法。包括：对失真屏幕内容图像数据集中的数据进行数据预处理；设计自适应特征提取模块，自适应地提取失真屏幕内容图像块中文本区域和图像区域的不同尺度特征，并基于注意力机制对文本区域特征和图像区域特征进行融合；设计局部图像信息交互模块，通过引入自注意力机制来增强失真屏幕内容图像中任意两个图像块之间的信息交互，赋予各个图像块不同的关注权重；设计基于多区域特征融合的无参考图像质量评估网络，训练得到无参考屏幕内容图像质量评估模型；将待测的失真屏幕内容图像输入到训练好的的无参考屏幕内容图像质量评估模型中，输出对应的质量评估分数。
-
公开(公告)号：CN115797304A
公开(公告)日：2023-03-14
申请号：CN202211575974.3
申请日：2022-12-08
Applicant: 福州大学
IPC: G06T7/00 , G06T7/13 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于边缘特征引导的无参考屏幕内容图像质量评估方法。包括以下步骤：S1：首先利用高斯拉普拉斯算子生成对应失真屏幕内容图像数据集的边缘结构图数据集；S2：设计多尺度边缘特征引导网络；S3：设计位置注意力模块，形成不同尺度特征的全局信息表示；S4：设计渐进式特征融合模块，该模块通过自顶向下的方式逐步聚合各个尺度的特征，以形成失真图像的多尺度特征表示；S5：设计基于边缘特征引导的图像质量评估网络；S6：输出失真图像的质量评估分数。应用本技术方案既可以通过不同深度的网络有效提取屏幕内容图像低层的细节信息和深层的语义信息，又能通过边缘结构图对图像的浅层边缘信息作为补充。
-
公开(公告)号：CN111340191B
公开(公告)日：2023-02-21
申请号：CN202010122760.5
申请日：2020-02-27
Applicant: 福州大学
IPC: G06N3/0464 , G06N3/047 , G06N3/084 , G06N20/20 , H04L9/40
Abstract: 本发明涉及一种基于集成学习的僵尸网络恶意流量分类方法及系统，该方法包括：步骤A：将已标注类别的恶意流量数据转换为带类别标签的IDX图像数据，建立恶意流量训练集R；步骤B：构造包含三个深度残差卷积神经网络的初级分类器，构造softmax逻辑回归模型作为次级分类器；步骤C：将训练集R分为R0和R1两部分，使用R0训练初级分类器，提取恶意流量特征向量，并将提取的特征向量添加到R0中，增强该部分训练集；步骤D：将增强后的训练集与R1合并，用其训练次级分类器；步骤E：将待判定类别的恶意流量数据转换为IDX图像格式，输入到训练好的次级分类器，输出判定结果。该方法及系统有利于快速、准确地识别恶意流量类别。
-
公开(公告)号：CN110059769B
公开(公告)日：2022-11-18
申请号：CN201910359495.X
申请日：2019-04-30
Applicant: 福州大学
Abstract: 本发明涉及一种用于街景理解的基于像素重排重建的语义分割方法及系统，该方法包括：对训练集输入图像进行预处理，使图像标准化并获取相同尺寸的预处理图像；用卷积网络提取通用特征，再获取稠密带孔空间金字塔融合特征，以这两部分级联作为编码网络提取编码特征；从卷积网络中选取中间层特征，结合编码特征计算边缘特征，以基于像素重排技术的稠密网为解码网络，重建图像分辨率，计算解码特征；计算得到语义分割损失和辅助监督的边缘损失，以最小化两者加权和损失为目标对深度神经网络进行训练；利用深度神经网络模型对待分割图像进行语义分割，输出分割结果。该方法及系统有利于提高图像语义分割的准确性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
222
records
(took 0.08 seconds)
