CN117271906B - 肉牛交易管理系统及其方法 - Google Patents
肉牛交易管理系统及其方法 Download PDFInfo
- Publication number
- CN117271906B CN117271906B CN202311561005.7A CN202311561005A CN117271906B CN 117271906 B CN117271906 B CN 117271906B CN 202311561005 A CN202311561005 A CN 202311561005A CN 117271906 B CN117271906 B CN 117271906B
- Authority
- CN
- China
- Prior art keywords
- beef cattle
- information
- feature
- vectors
- classification
- 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.)
- Active
Links
- 235000015278 beef Nutrition 0.000 title claims abstract description 318
- 241000283690 Bos taurus Species 0.000 title claims abstract description 316
- 238000000034 method Methods 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 242
- 238000007726 management method Methods 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 10
- 230000018109 developmental process Effects 0.000 claims description 10
- 238000009395 breeding Methods 0.000 claims description 9
- 230000001488 breeding effect Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种肉牛交易管理系统及其方法,涉及智能管理技术领域,其采用基于转换器的上下文编码器,对各个肉牛的基本信息和客户需求信息进行充分的语义理解,以肉牛的基本信息作为参考数据,客户需求特征作为查询特征,从参考数据中查询出符合客户需求的肉牛编号。这样,可以更准确地评估和匹配客户需求,并提供符合需求的肉牛编号,从而提高交易的透明度和可靠性。
Description
技术领域
本申请涉及智能管理技术领域,且更为具体地,涉及一种肉牛交易管理系统及其方法。
背景技术
随着肉牛业不断发展和市场经济的运行,肉牛交易的改进和提高已成为重要问题。我国肉牛数量庞大,但生产方式和管理方式落后市场混乱。
如今,大多数地方对于肉牛的买卖仍然采用线下交易,线下交易市场的存在,让牛贩子有了生存的空间,加上各种地方因素,导致买卖双方的信息不透明,甚至出现各种纠纷。
因此,期待一种肉牛交易管理系统及其方法,可以使用户在线上查询肉牛信息,挑选自己满意的肉牛。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种肉牛交易管理系统及其方法,其采用基于转换器的上下文编码器,对各个肉牛的基本信息和客户需求信息进行充分的语义理解,以肉牛的基本信息作为参考数据,客户需求特征作为查询特征,从参考数据中查询出符合客户需求的肉牛编号。这样,可以更准确地评估和匹配客户需求,并提供符合需求的肉牛编号,从而提高交易的透明度和可靠性。
相应地,根据本申请的一个方面,提供了一种肉牛交易管理系统,其包括:
信息获取模块,用于获取各个肉牛的基本信息和客户需求信息,其中,所述各个肉牛的基本信息包括各个肉牛的编号、系谱、出生日期、价格、生长发育信息以及繁育信息;
肉牛信息编码模块,用于将所述各个肉牛的基本信息分别通过基于转换器的上下文编码器以得到多个肉牛信息语义特征向量;
肉牛信息关联特征提取模块,用于将所述多个肉牛信息语义特征向量二维排列为肉牛信息特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度肉牛信息关联特征矩阵;
需求信息编码模块,用于将所述客户需求信息通过所述基于转换器的上下文编码器以得到查询特征向量;
查询模块,用于将所述查询特征向量与所述多尺度肉牛信息关联特征矩阵进行相乘以得到分类特征向量;
优化模块,用于对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量;
管理结果生成模块,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示符合客户需求的肉牛编号。
在上述肉牛交易管理系统中,所述肉牛信息编码模块,包括:第一分词单元,用于对所述肉牛的基本信息进行分词处理以获得多个肉牛信息词;第一词嵌入单元,用于将所述多个肉牛信息词通过嵌入层以将所述多个肉牛信息词中各个肉牛信息词转化为肉牛信息词嵌入向量以得到肉牛信息词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个肉牛信息词进行嵌入编码;第一上下文语义编码单元,用于将所述肉牛信息词嵌入向量的序列通过所述基于转换器的上下文编码器以得到多个肉牛信息特征向量;以及,第一关联单元,用于对所述多个肉牛信息特征向量进行特征向量间的概率密度空间关联以得到所述肉牛信息语义特征向量。
在上述肉牛交易管理系统中,所述第一上下文语义编码单元,包括:自注意子单元,用于计算所述肉牛信息词嵌入向量的序列与所述肉牛信息词嵌入向量的序列中各个肉牛信息词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述肉牛信息词嵌入向量的序列中各个肉牛信息词嵌入向量进行加权以得到所述多个肉牛信息特征向量。
在上述肉牛交易管理系统中,所述第一关联单元,包括:概率密度计算单元,用于计算各个所述肉牛信息特征向量的概率密度函数以得到对应于各个所述肉牛信息特征向量的概率密度分布;互信息计算单元,用于计算各个所述肉牛信息特征向量的概率密度分布与其他所述肉牛信息特征向量的概率密度分布之间的互信息;阈值比较单元,用于基于所述互信息与预定阈值之间的比较,选择适配的融合策略来融合所述多个肉牛信息特征向量以得到所述肉牛信息语义特征向量。
在上述肉牛交易管理系统中,所述肉牛信息关联特征提取模块,包括:使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行:对所述输入数据进行多尺度卷积编码以得到多尺度特征图;对所述多尺度特征图进行沿通道维度的均值池化处理以得到池化特征图;以及,对所述池化特征图进行激活处理以得到激活特征图;其中,所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度肉牛信息关联特征矩阵,所述卷积神经网络模型的第一个混合卷积层的输入为所述肉牛信息特征矩阵。
在上述肉牛交易管理系统中,所述需求信息编码模块,包括:第二分词单元,用于对所述客户需求信息进行分词处理以获得多个需求信息词;第二词嵌入单元,用于将所述多个需求信息词通过嵌入层以将所述多个需求信息词中各个需求信息词转化为需求信息词嵌入向量以得到需求信息词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个需求信息词进行嵌入编码;第二上下文语义编码单元,用于将所述需求信息词嵌入向量的序列通过所述基于转换器的上下文编码器以得到多个需求信息特征向量;以及,第二级联单元,用于将所述多个需求信息特征向量进行级联以得到所述查询特征向量。
在上述肉牛交易管理系统中,所述优化模块,用于:以如下优化公式对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量,其中,所述优化公式为:
;
其中,是所述分类特征向量/>的第/>个位置的特征值,/>表示所述分类特征向量的零范数,/>是所述分类特征向量的长度,且/>是权重超参数,/>表示以2为底的对数函数值,/>是所述优化分类特征向量的第/>个位置的特征值。
在上述肉牛交易管理系统中,所述管理结果生成模块,包括:全连接编码单元,用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种肉牛交易管理方法,其包括:
获取各个肉牛的基本信息和客户需求信息,其中,所述各个肉牛的基本信息包括各个肉牛的编号、系谱、出生日期、价格、生长发育信息以及繁育信息;
将所述各个肉牛的基本信息分别通过基于转换器的上下文编码器以得到多个肉牛信息语义特征向量;
将所述多个肉牛信息语义特征向量二维排列为肉牛信息特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度肉牛信息关联特征矩阵;
将所述客户需求信息通过所述基于转换器的上下文编码器以得到查询特征向量;
将所述查询特征向量与所述多尺度肉牛信息关联特征矩阵进行相乘以得到分类特征向量;
对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量;
将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示符合客户需求的肉牛编号。
与现有技术相比,本申请提供的肉牛交易管理系统及其方法,其采用基于转换器的上下文编码器,对各个肉牛的基本信息和客户需求信息进行充分的语义理解,以肉牛的基本信息作为参考数据,客户需求特征作为查询特征,从参考数据中查询出符合客户需求的肉牛编号。这样,可以更准确地评估和匹配客户需求,并提供符合需求的肉牛编号,从而提高交易的透明度和可靠性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的肉牛交易管理系统的框图。
图2为根据本申请实施例的肉牛交易管理系统的架构示意图。
图3为根据本申请实施例的肉牛交易管理系统中肉牛信息编码模块的框图。
图4为根据本申请实施例的肉牛交易管理系统中第一上下文语义编码单元的框图。
图5为根据本申请实施例的肉牛交易管理系统中需求信息编码模块的框图。
图6为根据本申请实施例的肉牛交易管理方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
示例性系统
图1为根据本申请实施例的肉牛交易管理系统的框图。图2为根据本申请实施例的肉牛交易管理系统的架构示意图。如图1和图2所示,根据本申请实施例的肉牛交易管理系统100,包括:信息获取模块110,用于获取各个肉牛的基本信息和客户需求信息,其中,所述各个肉牛的基本信息包括各个肉牛的编号、系谱、出生日期、价格、生长发育信息以及繁育信息;肉牛信息编码模块120,用于将所述各个肉牛的基本信息分别通过基于转换器的上下文编码器以得到多个肉牛信息语义特征向量;肉牛信息关联特征提取模块130,用于将所述多个肉牛信息语义特征向量二维排列为肉牛信息特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度肉牛信息关联特征矩阵;需求信息编码模块140,用于将所述客户需求信息通过所述基于转换器的上下文编码器以得到查询特征向量;查询模块150,用于将所述查询特征向量与所述多尺度肉牛信息关联特征矩阵进行相乘以得到分类特征向量;优化模块160,用于对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量;管理结果生成模块170,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示符合客户需求的肉牛编号。
在上述肉牛交易管理系统100中,所述信息获取模块110,用于获取各个肉牛的基本信息和客户需求信息,其中,所述各个肉牛的基本信息包括各个肉牛的编号、系谱、出生日期、价格、生长发育信息以及繁育信息。如上述背景技术所言,我国肉牛数量庞大,但生产方式和管理方式落后市场混乱。随着肉牛业不断发展和市场经济的运行,肉牛交易的改进和提高已成为重要问题。如今,大多数地方对于肉牛的买卖仍然采用线下交易,线下交易市场的存在,让牛贩子有了生存的空间,加上各种地方因素,导致买卖双方的信息不透明,甚至出现各种纠纷。因此,期望可以让用户在线上查询肉牛信息,挑选自己满意的肉牛。
相应地,构建肉牛信息的查询方案的关键在于对肉牛信息和客户需求信息的匹配,为了给客户提供全面的肉牛信息,所述肉牛信息应包括各个肉牛的编号、系谱、出生日期、价格、生长发育信息以及繁育信息。基于此,在本申请的技术方案中,采用基于转换器的上下文编码器,对各个肉牛的基本信息和客户需求信息进行充分的语义理解,以肉牛的基本信息作为参考数据,客户需求特征作为查询特征,从参考数据中查询出符合客户需求的肉牛编号。这样,可以更准确地评估和匹配客户需求,并提供符合需求的肉牛编号,从而提高交易的透明度和可靠性。具体地,在本申请的技术方案中,首先获取各个肉牛的基本信息和客户需求信息,其中,所述各个肉牛的基本信息包括各个肉牛的编号、系谱、出生日期、价格、生长发育信息以及繁育信息。
在上述肉牛交易管理系统100中,所述肉牛信息编码模块120,用于将所述各个肉牛的基本信息分别通过基于转换器的上下文编码器以得到多个肉牛信息语义特征向量。为了将原始的文本数据转化为机器可以处理和理解的向量表示,将各个肉牛的基本信息通过基于转换器的上下文编码器转化为对应于每个肉牛的肉牛信息语义特征向量。具体地,首先通过嵌入层将单个肉牛的基本信息映射到一个低维的向量空间中,转化为嵌入向量的序列;然后使用基于转换器的上下文编码器对嵌入向量的序列进行语义理解,以得到多个肉牛信息特征向量;再将所述多个肉牛信息特征向量进行整合,以捕捉它们之间的语义关系和上下文信息,从而得到对应于各个肉牛的肉牛信息语义特征向量。应可以理解,这里,单个肉牛的基本信息对应于单个肉牛信息语义特征向量。
特别地,可以将所述多个肉牛信息特征向量进行级联以得到所述肉牛信息语义特征向量,但考虑到,级联操作会将多个特征向量简单地连接在一起,导致融合后的特征向量的维度急剧增加。这可能会导致维度灾难的问题,使得后续的分类任务变得困难。相比之下,特征向量间的概率密度空间关联可以将多个特征向量映射到一个较低维度的概率密度空间中,从而降低了维度灾难的风险。同时特征向量间的概率密度空间关联可以捕捉到它们之间的相关性和相似性。这对于描述肉牛信息的多个方面非常重要,因为不同的特征可能在不同的时间段或场景下具有不同的关联性。通过关联操作,可以更好地理解特征之间的关系,并将这些关系用于肉牛信息语义特征向量的生成。
图3为根据本申请实施例的肉牛交易管理系统中肉牛信息编码模块的框图。如图3所示,所述肉牛信息编码模块120,包括:第一分词单元121,用于对所述肉牛的基本信息进行分词处理以获得多个肉牛信息词;第一词嵌入单元122,用于将所述多个肉牛信息词通过嵌入层以将所述多个肉牛信息词中各个肉牛信息词转化为肉牛信息词嵌入向量以得到肉牛信息词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个肉牛信息词进行嵌入编码;第一上下文语义编码单元123,用于将所述肉牛信息词嵌入向量的序列通过所述基于转换器的上下文编码器以得到多个肉牛信息特征向量;以及,第一关联单元124,用于对所述多个肉牛信息特征向量进行特征向量间的概率密度空间关联以得到所述肉牛信息语义特征向量。
图4为根据本申请实施例的肉牛交易管理系统中第一上下文语义编码单元的框图。如图4所示,所述第一上下文语义编码单元123,包括:自注意子单元1231,用于计算所述肉牛信息词嵌入向量的序列与所述肉牛信息词嵌入向量的序列中各个肉牛信息词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化子单元1232,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元1233,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;以及,注意力施加子单元1234,用于分别以所述多个概率值中各个概率值作为权重对所述肉牛信息词嵌入向量的序列中各个肉牛信息词嵌入向量进行加权以得到所述多个肉牛信息特征向量。
相应地,所述第一关联单元124,用于对所述多个肉牛信息特征向量进行特征向量间的概率密度空间关联以得到所述肉牛信息语义特征向量,包括:计算各个所述肉牛信息特征向量的概率密度函数以得到对应于各个所述肉牛信息特征向量的概率密度分布;这里,对于每个特征值,计算其在特征向量中出现的频率,可以通过统计特征值的频次来估计概率密度函数。接着,计算各个所述肉牛信息特征向量的概率密度分布与其他所述肉牛信息特征向量的概率密度分布之间的互信息。然后,基于所述互信息与预定阈值之间的比较,选择适配的融合策略来融合所述多个肉牛信息特征向量以得到所述肉牛信息语义特征向量;这里,根据特征向量的关联程度,可以选择不同的融合策略。以下是一些常见的融合策略:1. 加权平均:当各个所述肉牛信息特征向量与其他所述肉牛信息特征向量之间的关联程度较高时,可以使用加权平均来融合它们。权重可以根据关联程度进行分配,关联程度越高的特征向量权重越大。这种策略适用于特征向量之间具有相似性或相关性的情况。2. 特征拼接:当各个所述肉牛信息特征向量与其他所述肉牛信息特征向量之间的关联程度较低时,可以选择将它们拼接在一起形成一个更长的特征向量。这种策略可以保留每个特征向量的独立信息,但可能会增加特征空间的维度。3. 线性组合:对于关联程度较高的特征向量,可以使用线性组合来融合它们。通过调整线性组合的系数,可以控制每个特征向量在融合结果中的贡献程度。这种策略可以灵活地调整特征向量的权重,以适应不同的关联程度。4. 特征选择:当各个所述肉牛信息特征向量与其他所述肉牛信息特征向量之间的关联程度差异较大时,可以选择仅保留关联程度较高的特征向量,而舍弃关联程度较低的特征向量。这种策略可以简化特征空间并减少特征维度,但可能会损失一部分信息。5. 非线性变换:在某些情况下,特征向量之间的关联程度可能不是线性的。这时可以考虑使用非线性变换来融合特征向量,例如使用核方法或神经网络模型进行特征融合。
对所述多个肉牛信息特征向量进行特征向量间的概率密度空间关联以得到所述肉牛信息语义特征向量,本质上是在一个高维特征空间中寻找一个最优的方向,使得这个方向上的投影能够最大程度地反映出两个特征向量的相似性或差异性,其中,这个方向就是所述肉牛信息语义特征向量。通过这样的方式,消除两个特征向量之间的冗余信息以提高所述肉牛信息语义特征向量的分类鲁棒性。
在上述肉牛交易管理系统100中,所述肉牛信息关联特征提取模块130,用于将所述多个肉牛信息语义特征向量二维排列为肉牛信息特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度肉牛信息关联特征矩阵。应可以理解,卷积神经网络能够捕捉不同尺度上的局部特征,在图像和序列数据分析中非常有效。混合卷积层通常由一组具有不同尺寸和滤波器数量的卷积核组成,以捕获不同尺寸和类型的特征。通过将多个肉牛的信息特征表示排列为矩阵,利用多个混合卷积层在不同尺度上对信息矩阵进行卷积操作,以提取出不同尺度上的肉牛信息关联特征,从而得到多尺度肉牛信息关联特征矩阵。
相应地,在一个具体示例中,所述肉牛信息关联特征提取模块130,包括:使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行:对所述输入数据进行多尺度卷积编码以得到多尺度特征图;对所述多尺度特征图进行沿通道维度的均值池化处理以得到池化特征图;以及,对所述池化特征图进行激活处理以得到激活特征图;其中,所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度肉牛信息关联特征矩阵,所述卷积神经网络模型的第一个混合卷积层的输入为所述肉牛信息特征矩阵。
在上述肉牛交易管理系统100中,所述需求信息编码模块140,用于将所述客户需求信息通过所述基于转换器的上下文编码器以得到查询特征向量。应可以理解,在进行肉牛信息查询时,需要对客户需求信息进行充分的语义理解,使得系统能够更好地理解和解释客户需求并提供相应的响应。因此,将所述客户需求信息通过基于转换器的上下文编码器进行语义特征挖掘,以提取出所述客户需求信息基于全局的上下文关联特征,从而得到查询特征向量。
图5为根据本申请实施例的肉牛交易管理系统中需求信息编码模块的框图。如图5所示,所述需求信息编码模块140,包括:第二分词单元141,用于对所述客户需求信息进行分词处理以获得多个需求信息词;第二词嵌入单元142,用于将所述多个需求信息词通过嵌入层以将所述多个需求信息词中各个需求信息词转化为需求信息词嵌入向量以得到需求信息词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个需求信息词进行嵌入编码;第二上下文语义编码单元143,用于将所述需求信息词嵌入向量的序列通过所述基于转换器的上下文编码器以得到多个需求信息特征向量;以及,第二级联单元144,用于将所述多个需求信息特征向量进行级联以得到所述查询特征向量。
在上述肉牛交易管理系统100中,所述查询模块150,用于将所述查询特征向量与所述多尺度肉牛信息关联特征矩阵进行相乘以得到分类特征向量。在机器学习中,相乘操作可以用于捕捉特征之间的交互作用,通过将所述查询特征向量与所述多尺度肉牛信息关联特征矩阵进行相乘,以获取它们之间的相关性信息,将查询特征所代表的用户需求与肉牛信息所代表的属性进行匹配,使模型更好地理解客户需求特征和肉牛信息之间的关系,提高分类准确性。
在上述肉牛交易管理系统100中,所述优化模块160,用于对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量。特别地,考虑到在本申请技术方案中,因为混合卷积层对局部和全局特征的感受野和提取能力不同所导致的,在所述分类特征向量的全局尺度上,会存在局部尺度和全局尺度上的关联特征语义编码之间的精度差异,进而影响所述分类特征向量通过所述分类器进行训练时的训练效果。具体地,混合卷积层是指在卷积神经网络中同时使用不同尺寸的卷积核进行特征提取。这样做的目的是为了在不同的感受野范围内捕捉到不同尺度的特征信息。例如,使用较小的卷积核可以捕捉到局部细节特征,而较大的卷积核可以捕捉到更广阔的全局特征。然而,由于肉牛信息特征矩阵的尺寸较大,其中包含了多个肉牛的信息,因此在进行卷积操作时,混合卷积层对于不同尺度的特征提取能力可能存在差异。这就导致了特征编码的精度差异,即不同尺度的特征提取的准确性不一致。当分类特征向量的全局尺度与关联特征矩阵中的全局特征不匹配时,相乘结果可能无法有效捕捉相关信息。因为在相乘操作中,如果全局特征的尺度较大,而分类特征向量的尺度较小,那么分类特征向量可能无法完整地捕捉到全局特征的信息,从而影响了训练效果。为了解决这个问题,本申请对所述分类特征向量进行基于先验秩序性的特征工程参数化。
具体地,所述优化模块160,用于:以如下优化公式对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量,其中,所述优化公式为:
;
其中,是所述分类特征向量/>的第/>个位置的特征值,/>表示所述分类特征向量的零范数,/>是所述分类特征向量的长度,且/>是权重超参数,/>表示以2为底的对数函数值,/>是所述优化分类特征向量的第/>个位置的特征值。
在本申请的技术方案中,利用基于先验秩序性的特征工程参数化过渡,将所述分类特征向量与类概率标签之间的映射关系建模为一个优化问题,以保证编码效率和编辑灵活性。具体地,首先根据单参数的高维特征编码的结构和属性,设计了一种基于尺度表征的稀疏分布均衡策略,将不同尺度和方向的特征值分配到不同的区间和概率密度函数中,从而降低了编码过程中的信息损失和噪声干扰。进而,利用基于向量计数的反演式恢复技术,将关联特征语义编辑转化为一个逆向求解问题,通过迭代优化算法,从编码表示中提取出与编辑目标相匹配的关联细节信息,从而增强了编辑过程中的语义一致性和表达能力。通过这样的方式,提升所述分类特征向量通过分类器的分类回归的精准度。
在上述肉牛交易管理系统100中,所述管理结果生成模块170,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示符合客户需求的肉牛编号。这样,可以基于分类结果,将符合要求的肉牛与其他肉牛区分开来,方便客户在选择肉牛时进行筛选。这样的标识方式可以让客户更方便地查找到符合自己需求的肉牛,提高交易的效率和准确性。
相应地,在一个具体示例中,所述管理结果生成模块170,包括:全连接编码单元,用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的肉牛交易管理系统被阐明,其采用基于转换器的上下文编码器,对各个肉牛的基本信息和客户需求信息进行充分的语义理解,以肉牛的基本信息作为参考数据,客户需求特征作为查询特征,从参考数据中查询出符合客户需求的肉牛编号。这样,可以更准确地评估和匹配客户需求,并提供符合需求的肉牛编号,从而提高交易的透明度和可靠性。
示例性方法
图6为根据本申请实施例的肉牛交易管理方法的流程图。如图6所示,根据本申请实施例的肉牛交易管理方法,包括步骤:S110,获取各个肉牛的基本信息和客户需求信息,其中,所述各个肉牛的基本信息包括各个肉牛的编号、系谱、出生日期、价格、生长发育信息以及繁育信息;S120,将所述各个肉牛的基本信息分别通过基于转换器的上下文编码器以得到多个肉牛信息语义特征向量;S130,将所述多个肉牛信息语义特征向量二维排列为肉牛信息特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度肉牛信息关联特征矩阵;S140,将所述客户需求信息通过所述基于转换器的上下文编码器以得到查询特征向量;S150,将所述查询特征向量与所述多尺度肉牛信息关联特征矩阵进行相乘以得到分类特征向量;S160,对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量;S170,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示符合客户需求的肉牛编号。
这里,本领域技术人员可以理解,上述肉牛交易管理方法中的各个步骤的具体操作已经在上面参考图1到图5的肉牛交易管理系统的描述中得到了详细介绍,并因此,将省略其重复描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,所揭露的方法、系统可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本领域技术人员会理解,本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请的构思的情况下,还可以包括更多其他等效实施例,均属于本申请的保护范畴。
Claims (6)
1.一种肉牛交易管理系统,其特征在于,包括:
信息获取模块,用于获取各个肉牛的基本信息和客户需求信息,其中,所述各个肉牛的基本信息包括各个肉牛的编号、系谱、出生日期、价格、生长发育信息以及繁育信息;
肉牛信息编码模块,用于将所述各个肉牛的基本信息分别通过基于转换器的上下文编码器以得到多个肉牛信息语义特征向量;
肉牛信息关联特征提取模块,用于将所述多个肉牛信息语义特征向量二维排列为肉牛信息特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度肉牛信息关联特征矩阵;
需求信息编码模块,用于将所述客户需求信息通过所述基于转换器的上下文编码器以得到查询特征向量;
查询模块,用于将所述查询特征向量与所述多尺度肉牛信息关联特征矩阵进行相乘以得到分类特征向量;
优化模块,用于对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量;
管理结果生成模块,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示符合客户需求的肉牛编号;
其中,所述肉牛信息编码模块,包括:
第一分词单元,用于对所述肉牛的基本信息进行分词处理以获得多个肉牛信息词;
第一词嵌入单元,用于将所述多个肉牛信息词通过嵌入层以将所述多个肉牛信息词中各个肉牛信息词转化为肉牛信息词嵌入向量以得到肉牛信息词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个肉牛信息词进行嵌入编码;
第一上下文语义编码单元,用于将所述肉牛信息词嵌入向量的序列通过所述基于转换器的上下文编码器以得到多个肉牛信息特征向量;
第一关联单元,用于对所述多个肉牛信息特征向量进行特征向量间的概率密度空间关联以得到所述肉牛信息语义特征向量;
其中,所述第一关联单元,包括:
概率密度计算单元,用于计算各个所述肉牛信息特征向量的概率密度函数以得到对应于各个所述肉牛信息特征向量的概率密度分布;
互信息计算单元,用于计算各个所述肉牛信息特征向量的概率密度分布与其他所述肉牛信息特征向量的概率密度分布之间的互信息;
阈值比较单元,用于基于所述互信息与预定阈值之间的比较,选择适配的融合策略来融合所述多个肉牛信息特征向量以得到所述肉牛信息语义特征向量;
其中,所述优化模块,用于:以如下优化公式对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量,其中,所述优化公式为:
;
其中,是所述分类特征向量/>的第/>个位置的特征值,/>表示所述分类特征向量的零范数,/>是所述分类特征向量的长度,且/>是权重超参数,/>表示以2为底的对数函数值,是所述优化分类特征向量的第/>个位置的特征值。
2.根据权利要求1所述的肉牛交易管理系统,其特征在于,所述第一上下文语义编码单元,包括:
自注意子单元,用于计算所述肉牛信息词嵌入向量的序列与所述肉牛信息词嵌入向量的序列中各个肉牛信息词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
标准化子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
关注度计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;
注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述肉牛信息词嵌入向量的序列中各个肉牛信息词嵌入向量进行加权以得到所述多个肉牛信息特征向量。
3.根据权利要求2所述的肉牛交易管理系统,其特征在于,所述肉牛信息关联特征提取模块,包括:使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行:
对所述输入数据进行多尺度卷积编码以得到多尺度特征图;
对所述多尺度特征图进行沿通道维度的均值池化处理以得到池化特征图;
对所述池化特征图进行激活处理以得到激活特征图;
其中,所述卷积神经网络模型的最后一个混合卷积层的输出为所述多尺度肉牛信息关联特征矩阵,所述卷积神经网络模型的第一个混合卷积层的输入为所述肉牛信息特征矩阵。
4.根据权利要求3所述的肉牛交易管理系统,其特征在于,所述需求信息编码模块,包括:
第二分词单元,用于对所述客户需求信息进行分词处理以获得多个需求信息词;
第二词嵌入单元,用于将所述多个需求信息词通过嵌入层以将所述多个需求信息词中各个需求信息词转化为需求信息词嵌入向量以得到需求信息词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个需求信息词进行嵌入编码;
第二上下文语义编码单元,用于将所述需求信息词嵌入向量的序列通过所述基于转换器的上下文编码器以得到多个需求信息特征向量;
第二级联单元,用于将所述多个需求信息特征向量进行级联以得到所述查询特征向量。
5.根据权利要求4所述的肉牛交易管理系统,其特征在于,所述管理结果生成模块,包括:
全连接编码单元,用于使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量;
分类结果生成单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
6.一种肉牛交易管理方法,其特征在于,包括:
获取各个肉牛的基本信息和客户需求信息,其中,所述各个肉牛的基本信息包括各个肉牛的编号、系谱、出生日期、价格、生长发育信息以及繁育信息;
将所述各个肉牛的基本信息分别通过基于转换器的上下文编码器以得到多个肉牛信息语义特征向量;
将所述多个肉牛信息语义特征向量二维排列为肉牛信息特征矩阵后通过包含多个混合卷积层的卷积神经网络模型以得到多尺度肉牛信息关联特征矩阵;
将所述客户需求信息通过所述基于转换器的上下文编码器以得到查询特征向量;
将所述查询特征向量与所述多尺度肉牛信息关联特征矩阵进行相乘以得到分类特征向量;
对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量;
将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示符合客户需求的肉牛编号;
其中,将所述各个肉牛的基本信息分别通过基于转换器的上下文编码器以得到多个肉牛信息语义特征向量,包括:
对所述肉牛的基本信息进行分词处理以获得多个肉牛信息词;
将所述多个肉牛信息词通过嵌入层以将所述多个肉牛信息词中各个肉牛信息词转化为肉牛信息词嵌入向量以得到肉牛信息词嵌入向量的序列,其中,所述嵌入层使用可学习的嵌入矩阵对所述各个肉牛信息词进行嵌入编码;
将所述肉牛信息词嵌入向量的序列通过所述基于转换器的上下文编码器以得到多个肉牛信息特征向量;
对所述多个肉牛信息特征向量进行特征向量间的概率密度空间关联以得到所述肉牛信息语义特征向量;
其中,对所述多个肉牛信息特征向量进行特征向量间的概率密度空间关联以得到所述肉牛信息语义特征向量,包括:
计算各个所述肉牛信息特征向量的概率密度函数以得到对应于各个所述肉牛信息特征向量的概率密度分布;
计算各个所述肉牛信息特征向量的概率密度分布与其他所述肉牛信息特征向量的概率密度分布之间的互信息;
基于所述互信息与预定阈值之间的比较,选择适配的融合策略来融合所述多个肉牛信息特征向量以得到所述肉牛信息语义特征向量;
其中,对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量,包括:以如下优化公式对所述分类特征向量进行基于先验秩序性的特征工程参数化以得到优化分类特征向量,其中,所述优化公式为:
;
其中,是所述分类特征向量/>的第/>个位置的特征值,/>表示所述分类特征向量的零范数,/>是所述分类特征向量的长度,且/>是权重超参数,/>表示以2为底的对数函数值,是所述优化分类特征向量的第/>个位置的特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561005.7A CN117271906B (zh) | 2023-11-22 | 2023-11-22 | 肉牛交易管理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561005.7A CN117271906B (zh) | 2023-11-22 | 2023-11-22 | 肉牛交易管理系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117271906A CN117271906A (zh) | 2023-12-22 |
CN117271906B true CN117271906B (zh) | 2024-03-22 |
Family
ID=89216477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311561005.7A Active CN117271906B (zh) | 2023-11-22 | 2023-11-22 | 肉牛交易管理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271906B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
CN116596556A (zh) * | 2023-05-11 | 2023-08-15 | 新疆天莱养殖有限责任公司 | 肉牛追溯管理系统及方法 |
CN116610846A (zh) * | 2023-06-13 | 2023-08-18 | 新疆汗庭牧元养殖科技有限责任公司 | 用于牛养殖的配种筛选方法及其系统 |
CN116992304A (zh) * | 2023-08-04 | 2023-11-03 | 汕尾市宏德雨科技服务有限公司 | 基于人工智能的政策匹配分析系统及其方法 |
CN117045424A (zh) * | 2023-09-28 | 2023-11-14 | 开封市中心医院 | 肿瘤患者手足综合症缓解辅助装置 |
CN117073768A (zh) * | 2023-10-16 | 2023-11-17 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理系统及其方法 |
-
2023
- 2023-11-22 CN CN202311561005.7A patent/CN117271906B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11194972B1 (en) * | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
CN116596556A (zh) * | 2023-05-11 | 2023-08-15 | 新疆天莱养殖有限责任公司 | 肉牛追溯管理系统及方法 |
CN116610846A (zh) * | 2023-06-13 | 2023-08-18 | 新疆汗庭牧元养殖科技有限责任公司 | 用于牛养殖的配种筛选方法及其系统 |
CN116992304A (zh) * | 2023-08-04 | 2023-11-03 | 汕尾市宏德雨科技服务有限公司 | 基于人工智能的政策匹配分析系统及其方法 |
CN117045424A (zh) * | 2023-09-28 | 2023-11-14 | 开封市中心医院 | 肿瘤患者手足综合症缓解辅助装置 |
CN117073768A (zh) * | 2023-10-16 | 2023-11-17 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117271906A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Hierarchical deep click feature prediction for fine-grained image recognition | |
CN111259142B (zh) | 基于注意力编码和图卷积网络的特定目标情感分类方法 | |
Borovykh et al. | Dilated convolutional neural networks for time series forecasting | |
CN112085565B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN111597348B (zh) | 用户画像方法、装置、计算机设备和存储介质 | |
CN108305238A (zh) | 图像处理方法、装置、存储介质和计算机设备 | |
Dai et al. | Metric imitation by manifold transfer for efficient vision applications | |
CN114648535A (zh) | 一种基于动态transformer的食品图像分割方法及系统 | |
CN112784884A (zh) | 一种医学图像分类方法、系统、介质及电子终端 | |
CN112925994B (zh) | 基于局部和全局信息融合的群组推荐方法、系统及设备 | |
Ertugrul et al. | Embedding 3D models in offline physical environments | |
CN114661544A (zh) | 基于注意力机制层的大数据平台日志异常检测方法 | |
CN117271906B (zh) | 肉牛交易管理系统及其方法 | |
CN110910463B (zh) | 全视角点云数据定长有序化编码方法、设备及存储介质 | |
WO2020199483A1 (zh) | 金融数据的图像处理方法、装置、设备及计算机可读存储介质 | |
CN115409617B (zh) | 基于区块链的外币兑换方法及其系统 | |
CN117251622A (zh) | 对象推荐的方法、装置、计算机设备和存储介质 | |
CN114281950B (zh) | 基于多图加权融合的数据检索方法与系统 | |
Cherian et al. | Robust sparse hashing | |
CN114385921A (zh) | 一种标书推荐方法、系统、设备及存储介质 | |
CN113704477B (zh) | 一种文本识别中识别网络与语言模型的联合优化方法 | |
CN114547285B (zh) | 表格数据含义推断方法、装置、计算机设备和存储介质 | |
CN114419448B (zh) | 一种基于流拍商品的智能分析方法及系统 | |
CN111476258B (zh) | 一种基于注意力机制的特征提取方法、装置及电子设备 | |
JP6886935B2 (ja) | データ分析支援システムおよびデータ分析支援方法 |
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 |