-
公开(公告)号：CN104850649B
公开(公告)日：2018-06-19
申请号：CN201510287900.3
申请日：2015-05-29
Applicant: 苏州大学张家港工业技术研究院 , 苏州大学
IPC: G06F17/30
Abstract: 本申请提供了一种在地图上进行兴趣点采样的方法及系统，该方法包括：根据路网信息对待采样区域进行预处理得到一个初始区域；搜索初始区域内的兴趣点数量；根据初始区域内的兴趣点数量判断初始区域是否为可用区域；若初始区域内的兴趣点数量小于阈值，则为可用区域，否则将初始区域分割，直至获取可用区域；根据可用区域内的兴趣点数量估算采样区域内的兴趣点数量。该方法通过先把初始的大区域分割成多个区域，然后再选取某一个区域根据路网信息进行迭代分割，直到出现一个可用区域，该预处理过程利用离线路网信息，无需在线提交查询，在很大程度上减少查询次数，实现大区域查询的高效性和准确性。
-
公开(公告)号：CN115098613A
公开(公告)日：2022-09-23
申请号：CN202210779490.4
申请日：2022-07-04
Applicant: 苏州大学
IPC: G06F16/29 , G06F16/2457 , G06F16/2458 , G06F16/28 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种轨迹数据的追踪与预测方法、装置及介质，适用于轨迹追踪技术领域。将待预测轨迹数据进行聚类初始化得到网络初始化参数；根据网络初始化参数对第一基模型参数更新，将支持集内的轨迹数据输入至参数更新后的第一基模型得到初始化结果，进一步损失处理得到损失结果；根据损失结果对第二基模型参数更新，将查询集内的预测轨迹数据输入至参数更新后的第二基模型以得到预测结果。该方法通过获取待预测轨迹数据，可以来自冷启动用户或冷启动路径对应的数据，基于元学习的模型对待预测轨迹数据进行追踪与预测，由于元学习可以解决移动信令轨迹的少样本问题，解决了现有的追踪预测无法支持冷启动用户及冷启动路径的预测问题。
-
公开(公告)号：CN108829761B
公开(公告)日：2022-03-15
申请号：CN201810522792.7
申请日：2018-05-28
Applicant: 苏州大学
IPC: G06F16/9537 , G06Q30/06
Abstract: 本发明公开了一种兴趣点推荐方法，包括：利用预先创建的分层嵌入兴趣点推荐模型对目标用户的兴趣点进行推荐，得到目标用户的兴趣点列表；其中，分层嵌入兴趣点推荐模型的创建过程为：利用用户偏好的分层结构，构建层级嵌入结构矩阵；其中，用户偏好为对用户在位置社交网络的兴趣点进行挖掘所得的信息；利用用户对兴趣点的喜好程度，构建兴趣点推荐模型；将层级嵌入结构矩阵嵌入至兴趣点推荐模型，得到分层嵌入兴趣点推荐模型。通过本发明中的方法，能够显著提升对用户兴趣点推荐的准确度及效率。相应的，本发明公开的一种兴趣点推荐系统、介质及设备，同样具有上述有益效果。
-
公开(公告)号：CN106776993B
公开(公告)日：2020-07-24
申请号：CN201611110987.8
申请日：2016-12-06
Applicant: 苏州大学
IPC: G06F16/9537
Abstract: 本发明公开了一种基于时序约束活动意向的路径推荐方法及系统，包括：根据预设的兴趣类别映射表，将活动意向映射为对应的兴趣类别；利用时序约束条件将兴趣类别分为依赖类别组；利用时序约束条件确定每个依赖类别组中兴趣类别的计算顺序，并根据计算顺序确定每个兴趣类别的兴趣点，确定兴趣点集合；确定兴趣点集合中所有兴趣点的访问顺序，以确定最终的推荐路径；可见，根据用户的活动意向时序约束条件确定推荐路径，不仅可满足用户的多种需求，并且这种方法能充分利用时序约束的特点，克服了以往方法得到的路径产生大量偏移和重复的问题，且无需预计算即可显著提升带时序约束用户意向的路径搜索的性能和精度，支持实时搜索。
-
公开(公告)号：CN110569367A
公开(公告)日：2019-12-13
申请号：CN201910854840.7
申请日：2019-09-10
Applicant: 苏州大学
Abstract: 本发明公开了一种基于知识图谱的空间关键字查询方法、装置、设备以及计算机可读存储介质，包括：利用映射于知识图谱的空间关键字查询对用户查询输入进行知识图谱标注，获得代表用户查询意图的目标概念标签集；确定所述目标概念标签集内各个概念标签和映射于所述知识图谱的空间文本对象集合内各个空间文本对象之间的相关本对象作为目标查询结果。本发明所提供的方法、装置、设备以及计算机可读存储介质，有效加强了对用户短文本搜索意图的理解。
-
Patent Agency Ranking
公开(公告)号：CN108829761A
公开(公告)日：2018-11-16
申请号：CN201810522792.7
申请日：2018-05-28
Applicant: 苏州大学
Abstract: 本发明公开了一种兴趣点推荐方法，包括：利用预先创建的分层嵌入兴趣点推荐模型对目标用户的兴趣点进行推荐，得到目标用户的兴趣点列表；其中，分层嵌入兴趣点推荐模型的创建过程为：利用用户偏好的分层结构，构建层级嵌入结构矩阵；其中，用户偏好为对用户在位置社交网络的兴趣点进行挖掘所得的信息；利用用户对兴趣点的喜好程度，构建兴趣点推荐模型；将层级嵌入结构矩阵嵌入至兴趣点推荐模型，得到分层嵌入兴趣点推荐模型。通过本发明中的方法，能够显著提升对用户兴趣点推荐的准确度及效率。相应的，本发明公开的一种兴趣点推荐系统、介质及设备，同样具有上述有益效果。
-
公开(公告)号：CN107633100A
公开(公告)日：2018-01-26
申请号：CN201710993839.3
申请日：2017-10-23
Applicant: 苏州大学
Abstract: 本发明公开了一种基于嵌入模型的兴趣点推荐方法及系统，利用用户的当前兴趣点信息、社交关系信息及兴趣点推荐模型，确定与用户对应的相似用户；根据相似用户在兴趣点推荐模型中的用户偏好信息，生成与用户对应的下一兴趣点推荐列表，该兴趣点推荐模型为通过嵌入社交关系信息及用户偏好信息生成的嵌入模型，由于嵌入模型经常用于处理稀疏数据和挖掘尚未被观察到的数据，所以社交嵌入可以解决稀疏的社交关系数据。也就是说，可使用社交嵌入模型来查找用户更相似的朋友，即使他们的社交关系图是稀疏或不可观察的，因此本方案利用该兴趣点推荐模型能更准确有效地计算用户关系，可以更好地进行下一个兴趣点推荐。
-
公开(公告)号：CN106126615A
公开(公告)日：2016-11-16
申请号：CN201610457222.5
申请日：2016-06-22
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本发明公开了一种兴趣点推荐的方法，包括：根据GeoMF算法及TopicMF算法将地理信息，评论信息及签到信息融合到矩阵分解中得到目标函数；更新签到次数信息参数，评论文本集参数，转化峰度系数，主题编号参数，用户活动区域矩阵参数；根据更新后的各个参数，利用所述目标函数，计算得到预定用户对预定兴趣点的喜好度；该方法融合签到次数、地理位置信息和评论信息三个维度因素的兴趣点推荐方法，来实现更加高效的兴趣点推荐；本发明还公开了一种兴趣点推荐的系统，具有上述效果。
-
公开(公告)号：CN115098613B
公开(公告)日：2024-09-06
申请号：CN202210779490.4
申请日：2022-07-04
Applicant: 苏州大学
IPC: G06F16/29 , G06F16/2457 , G06F16/2458 , G06F16/28 , G06N3/0499 , G06N3/084
Abstract: 本发明公开了一种轨迹数据的追踪与预测方法、装置及介质，适用于轨迹追踪技术领域。将待预测轨迹数据进行聚类初始化得到网络初始化参数；根据网络初始化参数对第一基模型参数更新，将支持集内的轨迹数据输入至参数更新后的第一基模型得到初始化结果，进一步损失处理得到损失结果；根据损失结果对第二基模型参数更新，将查询集内的预测轨迹数据输入至参数更新后的第二基模型以得到预测结果。该方法通过获取待预测轨迹数据，可以来自冷启动用户或冷启动路径对应的数据，基于元学习的模型对待预测轨迹数据进行追踪与预测，由于元学习可以解决移动信令轨迹的少样本问题，解决了现有的追踪预测无法支持冷启动用户及冷启动路径的预测问题。
-
公开(公告)号：CN108829766B
公开(公告)日：2021-09-21
申请号：CN201810529606.2
申请日：2018-05-29
Applicant: 苏州大学
IPC: G06F16/9537 , G06N3/04 , G06Q50/00
Abstract: 本发明公开了一种兴趣点推荐方法、系统、设备及计算机可读存储介质，其中该方法包括：获取一组兴趣点签到的时间信息及位置信息；输入签到序列的时间信息及位置信息至预先训练的LSTM模型；获取LSTM模型输出的每一个兴趣点的运算结果；基于运算结果确定目标兴趣点；其中，LSTM模型的记忆单元、输出门、隐藏状态均接受时间门和距离门的控制，时间门表示每相邻两个签到的兴趣点间的时间间隔，距离门表示每相邻两个签到的兴趣点间的距离间隔。本发明公开的一种兴趣点推荐方法、系统、设备及计算机可读存储介质均在一定程度上解决了如何提高现有的预测用户下一个兴趣点的预测准确性的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.022 seconds)
