“石龙翔”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]基于构建高计算效率的深度强化学习推荐系统的推荐方法-CN202210950905.X在审
发明人： 石龙翔;林承毅;张犁;李石坚;吴明晖 -专利权人：浙大城市学院
申请日： 2022-08-09 - 公布日： 2022-12-09 - 主分类号： G06F16/9535 文献下载
摘要：本发明提供了一种基于构建高计算效率的深度强化学习推荐系统的推荐方法，包括以下步骤：步骤S1，采用马尔可夫决策过程对推荐系统建模；步骤S2，根据所有用户的历史记录，建立U行M列的用户评分矩阵，并通过矩阵分解获得用户与推荐系统交互的状态表征用户特征矩阵X和项目特征矩阵Y；步骤S3，对推荐系统的推荐策略进行建模与学习训练，其中所述推荐策略采用神经网络进行表征，且神经网络输出层采用稀疏矩阵进行参数建模；步骤S4，推荐系统部署，利用训练好的推荐策略，根据用户的历史数据进行项目推荐。本发明通过改善深度强化学习中神经网络的输出层，减小计算复杂度，提升了学习的效率，帮助解决了在巨大的离散动作空间中的学习。
基于构建计算效率深度强化学习推荐系统方法

[发明专利]深度神经网络鲁棒性增强方法、装置、系统及电子设备-CN202210320332.2在审
发明人：李卓蓉;金苍宏;石龙翔;吴明晖;张芸 -专利权人：浙大城市学院
申请日： 2022-03-29 - 公布日： 2022-09-27 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种深度神经网络鲁棒性增强方法、装置、系统及电子设备，包括：获取原始训练样本并进行预处理；利用随机信号对预处理后的原始训练样本实施常规变换，生成弱扩增样本；确定对深度神经网络采取的攻击策略，对预处理后的原始训练样本实施攻击性扰动，生成强扩增样本；将所述弱扩增样本和强扩增样本输入待加固的深度神经网络，获得相应的表征及预测结果；对所述弱扩增样本和强扩增样本实施一致性约束，构建以一致性约束为正则项的深度神经网络鲁棒性增强训练的目标函数；根据目标函数，对待加固的深度神经网络实施鲁棒性增强训练。本发明可以有效增强深度学习模型的鲁棒性，从而减小攻击性扰动以及常规扰动对深度学习模型造成的损失。
深度神经网络鲁棒性增强方法装置系统电子设备

[发明专利]对抗样本防御训练方法、分类预测方法及装置、电子设备-CN202210320331.8在审
发明人：李卓蓉;韩志科;金苍宏;吴明晖;石龙翔 -专利权人：浙大城市学院
申请日： 2022-03-29 - 公布日： 2022-07-15 - 主分类号： G06V10/20 文献下载
摘要：本发明公开了一种对抗样本防御训练方法、分类预测方法及装置、电子设备，所述方法包括：获取训练样本；对所述训练样本进行预处理，构建第一训练集；对于所述第一训练集中的每一个样本实施随机变换，生成对应的扩增样本，构成第二训练集；对于所述第一训练集中的每一个样本，生成对应的对抗样本，构成第三训练集；利用所述第二训练集和第三训练集对神经网络进行无监督鲁棒预训练，获得预训练模型；从所述第一训练集中取出所有的有标注样本，对所述预训练模型进行有监督训练；利用训练好的模型对待测数据进行分类预测。通过无监督的鲁棒预训练和有监督的微调，本发明能够有效提高基于深度学习模型的人工智能系统的安全性、准确性和泛化性。
对抗样本防御训练方法分类预测装置电子设备

[发明专利]一种基于深度强化学习的推荐系统构建方法-CN202011473950.8有效
发明人： 石龙翔;金苍宏;李卓蓉;吴明晖 -专利权人：浙大城市学院
申请日： 2020-12-14 - 公布日： 2022-07-08 - 主分类号： G06F16/9535 文献下载
摘要：本发明提供一种基于深度强化学习的推荐系统构建方法，包括如下步骤：S1)建立用户与推荐系统交互的特征表征集合；S2)建立用户与推荐系统交互的状态表征；S3)推荐系统的建模；S4)推荐系统的训练；S5)推荐系统的部署。本发明的优点为：通过把一维离散型项目的动作选择空间映射到多维连续实值空间，采用进制转换的方法对推荐条目的动作空间进行简化，降低推荐系统训练的难度；采用卷积递归神经网络对用户的行为特征进行建模，提高了推荐系统的性能。
一种基于深度强化学习推荐系统构建方法

[发明专利]基于频繁模式图嵌入的循环神经网络FPGNN预测行为轨迹方法-CN202110839900.5在审
发明人：金苍宏;何飞;石龙翔;吴明晖 -专利权人：浙大城市学院
申请日： 2021-07-22 - 公布日： 2021-11-26 - 主分类号： G06F16/2458 文献下载
摘要：本发明提供一种基于频繁模式图嵌入的循环神经网络FPGNN预测行为轨迹方法，包括以下步骤：S1)获取原始行为图；S2)获取真实意图补充图；S3)行为嵌入表示学习S4)基于门控循环单元的行为预测。本发明的优点是：通过对用户行为序列进行频繁模式挖掘，补充用户的真实意图，降低不确定性行为的干扰，并用循环神经网络对用户行为进行预测，该模型在Precision、Recall和F1值等指标上与其他算法相比效果提升明显。
基于频繁模式嵌入循环神经网络 fpgnn 预测行为轨迹方法

[发明专利]一种基于结构化文本知识提取的问答系统构建方法-CN201510960519.9有效
发明人：李石坚;朱余旭;石龙翔;陶海;潘纲 -专利权人：浙江大学
申请日： 2015-12-17 - 公布日： 2018-11-23 - 主分类号： G06F17/30 文献下载
摘要：本发明公开了一种基于结构化文本知识提取的问答系统构建方法，该方法需要基于知识库、分词方法、决策树方法进行实现。知识库分为四部分，一是词库以及相应本体，基于本体方法，将词库中名词与相应本体关联；二是以文本主题本体为索引的结构化文本；三是文本主题本体和关键词本体关联的网状知识模型；四是基于决策树方法构建的决策树模型。决策树模型以网状知识模型的关键词本体数据为特征，以网状知识模型的文本主题本体为结果，将关键词本体和文本主题本体相关联，在问答系统中用于决策支持。本发明可适用于多种不同领域，针对各个领域的问题进行解答，且系统构建方法比较简便易于实现。
一种基于结构文本知识提取问答系统构建方法