CN109740057A - 一种基于知识萃取的增强神经网络及信息推荐方法 - Google Patents

一种基于知识萃取的增强神经网络及信息推荐方法 Download PDF

Info

Publication number
CN109740057A
CN109740057A CN201811618002.1A CN201811618002A CN109740057A CN 109740057 A CN109740057 A CN 109740057A CN 201811618002 A CN201811618002 A CN 201811618002A CN 109740057 A CN109740057 A CN 109740057A
Authority
CN
China
Prior art keywords
network
user
representing
recommendation
extraction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811618002.1A
Other languages
English (en)
Other versions
CN109740057B (zh
Inventor
何发智
潘一腾
全权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201811618002.1A priority Critical patent/CN109740057B/zh
Publication of CN109740057A publication Critical patent/CN109740057A/zh
Application granted granted Critical
Publication of CN109740057B publication Critical patent/CN109740057B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识萃取的增强神经网络及信息推荐方法,首先,提出一种融合了软标签生成和标签再训练两个阶段的增强神经网络方法,该方法可以从硬标签数据中生成的软标签中提取到更多的有效信息。其次,提出一个萃取层来平衡软标签中的信息和噪声对网络的影响,该方法通过抑制噪声能够提高信息萃取的有效性。最终,提出综合两个阶段的预测结果来生成个性化推荐结果,该方法可以进一步提高推荐精度。

Description

一种基于知识萃取的增强神经网络及信息推荐方法
技术领域
本发明属于大数据和数据挖掘技术领域,特别涉及一种基于知识萃取的增强神经网络及信息推荐方法。
背景技术
随着互联网的不断发展,信息过载问题越来越成为困扰用户获取有效信息的重要问题。为了解决信息过载问题,许多推荐方法提出利用用户的历史评价数据对用户建模,从而生成推荐结果帮助用户获取需要的有用信息,这一类方法被称为协同过滤算法。
近年来,随着神经网络算法在各个领域取得的巨大成功,越来越多学者提出利用神经网络对用户历史数据进行建模,从而生成更为精确的推荐结果。然而,用户的历史评价数据通常都是非常稀疏的,这对于训练一个鲁棒的神经网络来说是一个巨大的挑战。通常来说,由于神经网络有非常多的参数,一般来说需要大量的数据来训练模型。所以,如何从稀疏的数据中挖掘更多的有效信息,成为解决这一问题的关键方法之一。
发明内容
为了解决上述技术问题,从稀疏数据中提取更多的有效信息,本发明提出了一种新的基于知识萃取的增强神经网络,并基于此提出一种新的神经网络信息推荐方法,能够有效的从软标签中提取更多的有效信息,进而提高推荐精度。
本发明提供了一种基于知识萃取的增强神经网络。如图1所示,该网络由三部分构成,包括生成网络、噪声过滤和萃取网络;其中,生成网络用于生成初步的软标签特征(区别于采用离散值的硬标签,软标签特征是指取值连续的标签结果),噪声过滤网络基于每个网络节点的可靠度对噪声进行有效过滤,萃取网络用于从噪声过滤后的软标签特征进行二次学习,从而得到更加准确的预测结果。
本发明还提供了一种基于知识萃取的增强神经网络的信息推荐方法,包括以下步骤:
步骤1:利用图1中的生成网络计算软标签特征数据(区别于采用离散值的硬标签,软标签特征是指取值连续的标签结果);
步骤2:利用噪声过滤网络抑制软标签特征数据中的噪声并保留有效信息;
步骤3:利用图1中的萃取网络从软标签特征数据再次训练学习更多的有效信息;
步骤4:根据梯度下降法训练增强神经网络模型,即同时训练生成网络和萃取网络,从而得到最终的模型参数用于预测推荐结果;
步骤5:将生成网络和萃取网络的训练结果综合起来预测用户偏好并生成推荐结果。
本发明可以有效的从软标签中提取更多的隐含信息,能够有效的抑制软标签中的噪声信息,从而提高推荐精度。
附图说明
图1为本发明实施例的增强神经网络的原理模型图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供了一种基于知识萃取的增强神经网络。如图1所示,该网络由三部分构成,包括生成网络、噪声过滤和萃取网络;其中,生成网络用于生成初步的软标签特征(区别于采用离散值的硬标签,软标签特征是指取值连续的标签结果),噪声过滤网络基于每个网络节点的可靠度对噪声进行有效过滤,萃取网络用于从噪声过滤后的软标签特征进行二次学习,从而得到更加准确的预测结果。
本发明还提供了一种基于知识萃取的增强神经网络的信息推荐方法,包括以下步骤:
步骤1:利用图1中的生成网络计算软标签特征数据(区别于采用离散值的硬标签,软标签特征是指取值连续的标签结果);
步骤1.1:令表示n个用户和m个产品之间的评价数据矩阵;如果用户i喜欢产品j,则对应的元素Ri,j为1,否则为0;Ru是矩阵R的第u个向量,表示用户u的评价数据向量;
步骤1.2:将输入数据Ru映射到k维向量空间,得到对应的特征
其中,是这一映射对应的权重和偏置参数;表示用户潜在偏好特征矩阵,该矩阵的第u行向量Vu表示用户u的潜在偏好特征;;g(·)是激活函数,本实施例采用g(x)=1/(1+e-x)。
步骤1.3:通过k维向量映射到m维空间,得到用户u的线性映射特征和软标签特征
其中,表示该线性映射对应的权重和偏置参数。
步骤2:利用噪声过滤网络抑制软标签特征数据中的噪声并保留有效信息;
步骤2.1:为了过滤软标签特征中的噪声,首先基于每个单元的数据量计算对应的可靠性:
T(Ni)=γlog(Ni+∈)
其中,T(·)表示计算可靠性的映射方程;Ni表示第i个单元对应正样本的数量;γ用于调节全局可靠性程度;∈是一个大于0的整数,用于避免非法的计算结果,本实施例取2;
步骤2.2:根据每个单元的可靠性,调整每个单元的输出值,从而达到知识萃取的效果,即抑制噪声并增强有效信号:
其中,Zu,i表示对应于第u个用户和第i个单元的软标签特征数据;Su,i表示基于Zu,i经过萃取层处理的数据结果;Su表示用户u的软标签特征向量,Su的第i个单元对应于Su,i的值。
步骤3:利用图1中的萃取网络从软标签特征数据再次训练学习更多的有效信息;
步骤3.1:将用户u的软标签特征向量Su映射到k维子空间,得到对应的隐含特征
其中,是这一映射对应的权重和偏置参数;g(·)是激活函数,本实例中g(x)=1/(1+e-x);
步骤3.2:将k维向量映射到m维空间,得到用户u的预测评价
其中,表示该隐射函数的权重和偏置参数;g(·)是激活函数,本实例中g(x)=1/(1+e-x);
步骤3.3:根据下面的损失函数迭代更新增强神经网络中的参数集合{V,W(1),W(2),W(3),W(4),b(1),b(2),b(3),b(4)},损失函数如下:
其中,中的第u行向量分别为即每一行向量由步骤1.3和3.2中的公式计算得到;Ru,i表示用户u对产品i的评价结果,分别表示生成网络和萃取网络对用户u和产品i的预测评价;集合表示用户u的正样本评价数据;集合表示从用户u的负样本数据中采样得到的子集合,该样本数量是的t倍;参数α用于调整生成网络和萃取网络的权重,λ用于控制模型复杂度,从而避免过拟合,l(·)表示损失函数,本实施例采用公认的交叉熵损失方程l(x,y)=-xlog(y)-(1-x)log(1-y),其中x和y表示任意变量,可以将任意两个变量带入其中计算这两个变量之间的交叉熵值。具体来说,这里x表示将上面公式中的变量Ru,i,y表示上面公式中的或者反过来说,y表示将上面公式中的变量Ru,i,x表示上面公式中的计算结果都是一样的。
步骤4:根据梯度下降法训练增强神经网络模型,即同时训练生成网络和萃取网络,从而得到最终的模型参数用于预测推荐结果;
步骤4.1:根据深度学习库pytorch自动计算梯度,然后迭代更新,训练增强神经网络模型(包含生成网络和萃取网络两个子网络)的参数:
其中,η表示学习率,θt表示第t次迭代后模型参数计算的结果,表示θt对应的梯度值;每次迭代将t次的结果减去η乘以梯度的值,从而得到新的模型参数;
步骤4.2:若迭代次数t小于预定阈值(本实施例取100),则跳转到步骤4.1,否则跳转到步骤4.3;
步骤4.3:终止迭代训练,得到模型结果。
步骤5:将生成网络和萃取网络的训练结果综合起来预测用户偏好并生成推荐结果;
步骤5.1:根据步骤2和步骤4中生成的结果,得到用户u的预测结果:
其中,参数β用于调整两个子结果在最终结果中的重要程度;
步骤5.2:根据预测值选择数值最高的N个单元作为推荐项目,然后评估预测结果:
其中,N表示推荐系统根据预测结果为每个用户推荐的产品数量;Iu表示用户u的正样本集合;表示用户u的预测样本集合,数量为N;rel(u,k)=1表示用户u的推荐列表中,第k个项目是正确的。MAP@N的结果越大,表示预测精度越高,方法性能越强。
本实施例利用这个评价方法计算每个用户的精度。鉴于一般推荐系统每次给每个用户提供的推荐对象都不会超过10个,本实施例中取推荐个数N=10,即采用MAP@10的结果来评价推荐性能。计算结果请见表1,为本发明实例的实验结果对比。
表1本发明实例的实验结果对比
本方法在实验中对比了其他几个最新发表的相关算法,主要对比方法包括数篇最新发表在权威期刊上的论文:
1)Pop(公认的最基本的推荐方法,即直接推荐评价数量最多的产品);
2)BPR(S.Rendle,C.Freudenthaler,Z.Gantner,et al.BPR:BayesianPersonalized Ranking from Implicit Feedback[C]//Proceedings of the Twenty-Fifth Conference on Uncertainty in Artificial Intelligence,AUAI Press,Arlington,Virginia,United States,2009:452–461.);
3)AoBPR(S.Rendle,C.Freudenthaler.Improving Pairwise Learning for ItemRecommendation from Implicit Feedback[C]//Proceedings of the 7th ACMInternational Conference on Web Search and Data Mining,ACM,New York,NY,USA,2014:273–282.)
4)CDAE(Y.Wu,C.DuBois,A.X.Zheng,et al.Collaborative Denoising Auto-Encoders for Top-N Recommender Systems[C]//Proceedings of the Ninth ACMInternational Conference on Web Search and Data Mining,ACM,New York,NY,USA,2016:153–162.)
5)NCF(X.He,L.Liao,H.Zhang,et al.Neural Collaborative Filtering[C]//Proceedings of the 26th International Conference on World Wide Web,International World Wide Web Conferences Steering Committee,Republic andCanton of Geneva,Switzerland,2017:173–182.)
可以看出,本发明在维度为k=10和k=100的时候均明显优于已有的方法。提升幅度最小为1.78%。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种基于知识萃取的增强神经网络,其特征在于:由三部分构成,包括生成网络、噪声过滤网络和萃取网络;所述生成网络用于生成初步的软标签特征;所述噪声过滤网络基于每个网络节点的可靠度对噪声进行有效过滤;所述萃取网络用于从噪声过滤后的软标签特征进行二次学习,从而得到更加准确的预测结果。
2.一种基于知识萃取的增强神经网络的信息推荐方法,包括以下步骤:
步骤1:利用生成网络计算软标签特征数据,所述软标签特征是指取值连续的标签结果;
步骤2:利用噪声过滤网络抑制软标签特征数据中的噪声并保留有效信息;
步骤3:利用萃取网络从软标签特征数据再次训练学习更多的有效信息;
步骤4:根据梯度下降法训练增强神经网络模型,即同时训练生成网络和萃取网络,从而得到最终的模型参数用于预测推荐结果;
步骤5:将生成网络和萃取网络的训练结果综合起来预测用户偏好并生成推荐结果。
3.根据权利要求2所述的基于知识萃取的增强神经网络的推荐方法,步骤1的具体实现包括以下子步骤:
步骤1.1:令表示n个用户和m个产品之间的评价数据矩阵;如果用户i喜欢产品j,则对应的元素Ri,j为1,否则为0;Ru是矩阵R的第u个向量,表示用户u的评价数据向量;
步骤1.2:将输入数据Ru映射到k维向量空间,得到对应的特征
其中,是这一映射对应的权重和偏置参数;表示用户潜在偏好特征矩阵,该矩阵的第u行向量Vu表示用户u的潜在偏好特征;g(·)是激活函数;
步骤1.3:通过k维向量映射到m维空间,得到用户u的线性映射特征和软标签特征
其中,表示该线性映射对应的权重和偏置参数。
4.根据权利要求3所述的基于知识萃取的增强神经网络的推荐方法,步骤2的具体实现包括以下子步骤:
步骤2.1:为了过滤软标签特征中的噪声,首先基于每个单元的数据量计算对应的可靠性:
T(Ni)=γlog(Ni+∈)
其中,T(·)表示计算可靠性的映射方程;Ni表示第i个单元对应正样本的数量;γ用于调节全局可靠性程度;∈是一个大于0的整数,用于避免非法的计算结果;
步骤2.2:根据每个单元的可靠性,调整每个单元的输出值,从而达到过滤噪声保留有效信息的效果:
其中,Zu,i表示对应于第u个用户和第i个单元的软标签特征数据;Su,i表示基于Zu,i经过萃取层处理的数据结果;Su表示用户u的软标签特征向量,Su的第i个单元对应于Su,i的值。
5.根据权利要求4所述的基于知识萃取的增强神经网络的推荐方法,步骤3的具体实现包括以下子步骤:
步骤3.1:将用户u的软标签特征向量Su映射到k维子空间,得到对应的隐含特征
其中,是这一映射对应的权重和偏置参数;g(·)是激活函数;
步骤3.2:将k维向量映射到m维空间,得到用户u的预测评价
其中,表示该隐射函数的权重和偏置参数;g(·)是激活函数;
步骤3.3:根据下面的损失函数迭代更新增强神经网络中的参数集合{V,W(1),W(2),W(3),W(4),b(1),b(2),b(3),b(4)},损失函数如下:
其中,中的第u行向量分别为即每一行向量由步骤1.3和步骤3.2中的公式计算得到;Ru,i表示用户u对产品i的评价结果,分别表示生成网络和萃取网络对用户u和产品i的预测评价;集合表示用户u的正样本评价数据;集合表示从用户u的负样本数据中采样得到的子集合,该样本数量是的t倍;参数α用于调整生成网络和萃取网络的权重,λ用于控制模型复杂度,从而避免过拟合,l(·)表示损失方程。
6.根据权利要求5所述的基于知识萃取的增强神经网络的推荐方法,步骤4的具体实现包括以下子步骤:
步骤4.1:根据深度学习库pytorch自动计算梯度,然后迭代更新,训练增强神经网络模型中生成网络和萃取网络的参数:
其中,η表示学习率,θt表示第t次迭代后模型参数计算的结果,表示θt对应的梯度值;每次迭代将t次的结果减去η乘以梯度的值,从而得到新的模型参数;
步骤4.2:若迭代次数t小于预定阈值,则跳转到步骤4.1,否则跳转到步骤4.3;
步骤4.3:终止迭代训练,得到模型的参数结果。
7.根据权利要求6所述的基于知识萃取的增强神经网络的推荐方法,步骤5的具体实现包括以下子步骤:
步骤5.1:根据步骤2和步骤4中生成的结果,得到用户u的预测结果:
其中,参数β用于调整两个子结果在最终结果中的重要程度;根据预测值选择数值最高的N个单元作为推荐项目;
步骤5.2:由于本实例主要针对项目推荐任务,采用MAP指标来评估预测结果:
其中,N表示推荐系统根据预测结果为每个用户推荐的产品数量;Iu表示用户u的正样本集合;表示用户u的预测样本集合,数量为N;rel(u,k)=1表示用户u的推荐列表中,第k个项目是正确的。
CN201811618002.1A 2018-12-28 2018-12-28 一种基于知识萃取的增强神经网络及信息推荐方法 Active CN109740057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811618002.1A CN109740057B (zh) 2018-12-28 2018-12-28 一种基于知识萃取的增强神经网络及信息推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811618002.1A CN109740057B (zh) 2018-12-28 2018-12-28 一种基于知识萃取的增强神经网络及信息推荐方法

Publications (2)

Publication Number Publication Date
CN109740057A true CN109740057A (zh) 2019-05-10
CN109740057B CN109740057B (zh) 2023-04-18

Family

ID=66361738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811618002.1A Active CN109740057B (zh) 2018-12-28 2018-12-28 一种基于知识萃取的增强神经网络及信息推荐方法

Country Status (1)

Country Link
CN (1) CN109740057B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298386A (zh) * 2019-06-10 2019-10-01 成都积微物联集团股份有限公司 一种基于图像内容的标签自动化定义方法
CN112580742A (zh) * 2020-12-29 2021-03-30 中国科学技术大学 基于标签传播的图神经网络快速训练方法
CN113222700A (zh) * 2021-05-17 2021-08-06 中国人民解放军国防科技大学 基于会话的推荐方法及装置
CN113283578A (zh) * 2021-04-14 2021-08-20 南京大学 一种基于标记风险控制的数据去噪方法
CN113656669A (zh) * 2021-10-19 2021-11-16 北京芯盾时代科技有限公司 标签更新方法及装置
CN114491290A (zh) * 2022-01-12 2022-05-13 武汉大学 一种基于多源附加信息增强的混合标签推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018063484A (ja) * 2016-10-11 2018-04-19 凸版印刷株式会社 ユーザ評価予測システム、ユーザ評価予測方法及びプログラム
CN108268616A (zh) * 2018-01-04 2018-07-10 中国科学院自动化研究所 融合规则信息的可控制性对话管理扩展方法
US20180268292A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Learning efficient object detection models with knowledge distillation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018063484A (ja) * 2016-10-11 2018-04-19 凸版印刷株式会社 ユーザ評価予測システム、ユーザ評価予測方法及びプログラム
US20180268292A1 (en) * 2017-03-17 2018-09-20 Nec Laboratories America, Inc. Learning efficient object detection models with knowledge distillation
CN108268616A (zh) * 2018-01-04 2018-07-10 中国科学院自动化研究所 融合规则信息的可控制性对话管理扩展方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷杰 等: "深度网络模型压缩综述", 《软件学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298386A (zh) * 2019-06-10 2019-10-01 成都积微物联集团股份有限公司 一种基于图像内容的标签自动化定义方法
CN112580742A (zh) * 2020-12-29 2021-03-30 中国科学技术大学 基于标签传播的图神经网络快速训练方法
CN113283578A (zh) * 2021-04-14 2021-08-20 南京大学 一种基于标记风险控制的数据去噪方法
CN113283578B (zh) * 2021-04-14 2024-07-23 南京大学 一种基于标记风险控制的数据去噪方法
CN113222700A (zh) * 2021-05-17 2021-08-06 中国人民解放军国防科技大学 基于会话的推荐方法及装置
CN113222700B (zh) * 2021-05-17 2023-04-18 中国人民解放军国防科技大学 基于会话的推荐方法及装置
CN113656669A (zh) * 2021-10-19 2021-11-16 北京芯盾时代科技有限公司 标签更新方法及装置
CN113656669B (zh) * 2021-10-19 2023-12-05 北京芯盾时代科技有限公司 标签更新方法及装置
CN114491290A (zh) * 2022-01-12 2022-05-13 武汉大学 一种基于多源附加信息增强的混合标签推荐方法
CN114491290B (zh) * 2022-01-12 2024-08-27 武汉大学 一种基于多源附加信息增强的混合标签推荐方法

Also Published As

Publication number Publication date
CN109740057B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN109740057B (zh) 一种基于知识萃取的增强神经网络及信息推荐方法
Hu et al. A novel image steganography method via deep convolutional generative adversarial networks
Henderson et al. End-to-end training of object class detectors for mean average precision
Chen et al. Predicting multiple attributes via relative multi-task learning
CN109785062B (zh) 一种基于协同过滤模型的混合神经网络推荐系统
CN105513591B (zh) 用lstm循环神经网络模型进行语音识别的方法和装置
CN109829299A (zh) 一种基于深度自编码器的未知攻击识别方法
CN112312541B (zh) 一种无线定位方法及系统
Mak et al. Ship as a wave buoy: Estimating relative wave direction from in-service ship motion measurements using machine learning
CN107194433A (zh) 一种基于深度自编码网络的雷达一维距离像目标识别方法
Hong et al. Sentiment analysis with deeply learned distributed representations of variable length texts
CN108876044B (zh) 一种基于知识增强神经网络的线上内容流行度预测方法
CN107105320A (zh) 一种基于用户情绪的在线视频热度预测方法及系统
CN113743675B (zh) 一种云服务QoS深度学习预测模型的构建方法和系统
KR20190047576A (ko) 추천시스템을 위한 선택적 오토인코딩 방법 및 오토인코딩 시스템
CN114863213B (zh) 一种基于因果解耦生成模型的域泛化图像识别方法
Maru et al. Comparison of image encoder architectures for image captioning
CN116258504B (zh) 银行客户关系管理系统及其方法
CN115953584B (zh) 一种具有可学习稀疏性的端到端目标检测方法及系统
CN112528077A (zh) 基于视频嵌入的视频人脸检索方法及系统
CN116484099A (zh) 推荐方法、装置、设备及存储介质
Packianather et al. Modelling neural network performance through response surface methodology for classifying wood veneer defects
CN114610871A (zh) 基于人工智能算法的情报系统建模分析方法
CN115937565A (zh) 基于自适应l-bfgs算法的高光谱图像分类方法
Corzo Perez et al. Hydroinformatics and Applications of Artificial Intelligence and Machine Learning in Water‐Related Problems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant