CN117435982A - 一种多维度快速识别网络水军的方法 - Google Patents
一种多维度快速识别网络水军的方法 Download PDFInfo
- Publication number
- CN117435982A CN117435982A CN202311312641.6A CN202311312641A CN117435982A CN 117435982 A CN117435982 A CN 117435982A CN 202311312641 A CN202311312641 A CN 202311312641A CN 117435982 A CN117435982 A CN 117435982A
- Authority
- CN
- China
- Prior art keywords
- user
- water army
- dimension
- army
- account
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012706 support-vector machine Methods 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000000750 progressive effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 230000006399 behavior Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种多维度快速识别网络水军的方法,分别从时间维度、数量维度、内容维度对水军用户进行特征提取得到数据集,通过构建支持向量机分类器,分别从各个维度对获取的账号用支持向量机进行分类,获得该维度下的疑似水军账号,同一用户账号信息至少在两个维度下被识别为疑似水军账号,以确认其为水军账号,将获得的三个维度的水军账号进行汇总,获得最终的水军账号数据。本发明所述多维度快速识别网络水军的方法,结合网络水军行为,从多个维度,采取更全面更准确的特征,层层递进对账号进行识别,确率更高,同时本方法对在识别过程中,不断缩小计算范围,具有计算量小,计算速度快的特点,可以更快更有效地对网络水军进行识别。
Description
技术领域
本发明属于网络水军检测技术领域,特别涉及一种多维度快速识别网络水军的方法。
背景技术
支持向量机(SupportVectorMachine,SVM)是一类按监督学习(supervisedlearning)方式对数据进行二元分类(binaryclassification)的广义线性分类器(generalizedlinearclassifier),其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。SVM使用铰链损失函数(hingeloss)计算经验风险(empiricalrisk)并在求解系统中加入了正则化项以优化结构风险(structuralrisk),是一个具有稀疏性和稳健性的分类器;SVM可以通过核方法(kernelmethod)进行非线性分类,是常见的核学习(kernellearning)方法之一。
随着大数据时代的到来,社交网络的受欢迎程度已经不言而喻。在社交平台上用户可以各抒己见,但是真假难辨,舆情意见复杂多变,受干扰因素众多。比如网络水军利用恶意炒作将个体的需求转化为群体需求,将小范围事件转化为热点事件,从而混淆公众视听。倘若纵容水军恶意炒作,网民将难以信任网络媒体,网络基本体系的完整搭建也将更加困难。
发明内容
针对目前水军识别技术发展的需求和不足之处,本发明提供一种多维度快速识别网络水军的方法,来提高社交网络中用户的体验质量,还可以规范社交网络舆论导向,避免非公正信息传播造成的不良影响。
本发明解决其技术问题所采用的方案是:一种多维度快速识别网络水军的方法,包括以下步骤:
步骤一、获取平台用户的基本账户信息,以及用户的行为数据和内容数据,所述的行为数据和内容数据包括评论内容、评论时间、用户单日发文及评论量。
步骤二、分别从时间维度、数量维度和内容维度对水军用户进行特征提取,获得不同维度的水军用户数据集。
其中,时间维度的特征为用户发文及评论的时间、评论时间间隔;数量维度的特征为用户日发文及评论量、凌晨发文及评论量;内容维度的特征是评论内容的相似度;分别按照每个维度不同的特征标准,从用户数据中初步筛选符合各维度特征的水军用户,获取不同维度水军用户数据集。
本发明采用新特征构造模块:通过采集网络水军数据,并利用先验知识对数据进行打标和数据清理得到数据集,构造不同维度下的水军特征标准,所述不同维度包括时间维度、数量维度、内容维度三个维度。
所述特征标准为:数量维度中若某一用户日发文及评论量在10次以上,则认为是水军账号;内容维度中若某一用户评论内容的相似度超过预定阈值,则认为是水军账号;时间维度中若某一用户,其评论时间间隔在5秒以内并达到5次以上,则认为是水军账号;同时若某一用户在凌晨点到5点发文及评论数量超过5次,则认为是水军账号。
步骤三、对不同维度下的水军用户数据集分别进行标记和清洗,进一步识别出其中的正常用户和水军用户,其中正常用户数据标记为0,水军用户数据标记为1。
其中,设U为步骤而获取的水军用户数据集,Uy为网络水军集合,Un为非网络水军集合,则U={Uy,Un},设x为用户特征向量,则x={x1,x2,…,xi,…,xn},其中xi表示各个用户特征属性,建立函数F(x)=wTx+b,F(x)∈{+1,-1},其中,x为输入向量,w为法向量,决定了超平面方向,b是位移量,可以决定超平面与原点之间的距离,wT是w的转置。当wTx+b>0时,F(x)=+1,表示该特征向量标志的用户属于水军用户集合,反之,当wTx+b<0时,F(x)=-1,表示属于正常用户集合;
步骤四、构建支持向量机分类器。
建立用于分类的超平面方程为wTx+b=0,其中,其中,x为输入向量,w为法向量,决定了超平面方向,b是位移量,可以决定超平面与原点之间的距离,wT是w的转置,建立函数F(x)=wTx+b,F(x)∈{+1,-1},其中,x为输入向量,根据样本点在超平面的位置进行分类,当wTx+b>0时,F(x)=+1,表示该特征向量标志的用户属于水军用户集合,反之,若wTx+b<0,F(x)=-1,表示属于正常用户集合;
超平面与最近的样本点之间的间隔为分离边缘,获取最优超平面,确定分离边缘最大时w和b的值;
在d(w)Tx+b≥1的约束下,得到最小化代价函数:
φ(w)=0.5||w||2=1/2wTw
根据用户数据集的特征属性特点,支持向量机分类器SVM采用适当的核函数构建分类算法,实现水军用户数据集的分类。
步骤五、分别在不同维度下将标记和清洗的水军用户数据集拆分成训练集、测试集与验证集,作为支持向量机SVM的输入,并利用不同维度下拆分获得的训练集、测试集与验证集对支持向量机进行分别训练。
步骤六、分别从各个维度用支持向量机对用户账号进行分类,获得该维度下的疑似水军用户账号。
步骤七、依次将某一维度下的疑似水军用户账号分别在其他维度用支持向量机进行分类。
步骤八、在其他至少一个维度仍识别为水军用户账号的疑似水军用户账号,确定为水军用户账号。
步骤九、将获得的三组水军用户账号进行汇总,获得最终的水军用户账号名单。
本发明的有益效果:本发明所述多维度快速识别网络水军的方法采用水军识别方法模块,结合网络水军行为,从多个维度,采取更全面更准确的特征,层层递进对账号进行识别,确率更高,同时本方法对在识别过程中,不断缩小计算范围,具有计算量小,计算速度快的特点,可以更快更有效地对网络水军进行识别。
附图说明
图1是本发明所述多维度快速识别网络水军识别方法框视图。
图2是支持向量机(SVM)分类算法框视图。
具体实施方式
实施例:针对本发明中提出的网络水军识别方法,本实施例以快手平台为例进行说明。
如图1所示,本实施例提出一种多维度快速识别快手平台网络水军的方法,其实现过程包括:
步骤一:获取快手平台用户的基本账号信息和用户数据信息,以及快手平台用户的行为数据和内容数据,具体的,行为数据和内容数据包括平台用户的评论内容、评论时间、用户单日发文及评论量。
步骤二:分别从时间维度、数量维度、内容维度对快手平台水军用户进行特征提取,得到水军用户数据集。
具体的,时间维度的特征指的是快手平台用户发文及评论的时间、评论时间间隔;数量维度的特征指的是快手平台用户日发文及评论量、凌晨发文及评论量;内容维度的特征指的是快手平台用户评论内容的相似度。
根据上述特征指标,对步骤一中获得的用户数据信息进行特征分类,从不同维度进行平台水军用户的特征提取,初步判断具有水军用户特征的平台用户账号数据信息。
针对水军用户特征的判断标准,即水军特征标准,本实施例通过采集网络水军数据,并利用先验知识对网络水军数据进行打标和数据清理得到数据集,构造不同维度下的水军特征标准,所述不同维度包括时间维度、数量维度、内容维度三个维度。
例如:数量维度下的水军特征标准为某一用户日发文及评论量在10次以上,则认为是水军账号;
内容维度下的水军特征标准为某一用户评论内容的相似度超过预定阈值,则认为是水军账号;
时间维度下的水军特征标准为某一用户,其评论时间间隔在5秒以内并达到5次以上,则认为是水军账号。
同时也可以多维度综合判断,如某一用户在凌晨点到5点发文及评论数量超过5次,则认为是水军账号。
所述先验知识是指在研究或解决一个问题之前,已经具备的关于该问题的相关知识和经验。它是基于先前的观察、实验、推理或学习所获得的信息,而不是通过当前问题的具体数据或实验结果得到的。
在机器学习和统计学中,先验知识通常以先验分布的形式表示。先验分布是对模型参数的先前信念或假设的数学描述。它可以是基于领域专家的经验,也可以是基于历史数据或相关研究的统计分析得出的。
通过引入先验知识,可以在学习或推断过程中对模型进行约束或指导。先验知识有助于解决数据不足或噪声较大的问题,可以提供额外的信息来缩小模型空间,减少过拟合的风险,并提高模型的泛化能力。
本实施例中先验知识是指网络水军的定义、特点、背景、手段和技术等方面的相关数据信息。
步骤三:对步骤二获取的数据分别在不同维度下进行标记,正常用户数据标记为0,水军用户数据标记为1。
具体地,设U为用户集合,Uy为网络水军集合,Un为非网络水军集合,则U={Uy,Un}。设x为用户特征向量,则x={x1,x2,…,xi,…,xn},其中xi表示各个用户特征属性。建立函数F(x)=wTx+b,F(x)∈{+1,-1},其中,x为输入向量,w为法向量,决定了超平面方向,b是位移量,可以决定超平面与原点之间的距离,wT是w的转置。当wTx+b>0时,F(x)=+1,表示该特征向量标志的用户属于水军用户集合,反之,当wTx+b<0时,F(x)=-1,表示属于正常用户集合;
步骤四:构建支持向量机分类器SVM。
支持向量机(SupportVectorMachine,SVM)是一种常用的机器学习算法,主要用于分类和回归任务。它的基本思想是通过在特征空间中找到一个最优的超平面,将不同类别的样本分开。SVM的工作原理便是将原始数据通过变换映射到高纬度特征空间,这样即使数据不是线性可分,也可以对数据点进行分类,然后使用变换后的新数据进行预测分类。从线性可分模式分类角度来理解,SVM的主要思想是建立一个最优决策超平面,使得该平面两侧平面最近的两类样本之间的距离最大化,从而对分类问题提供良好的泛化能力。
具体的,1、将每个样本表示为特征向量,并根据其所属类别进行标记;
2、SVM通过在特征空间中找到一个最优的超平面,使得不同类别的样本尽可能地被分开,并且离超平面最近的样本点到超平面的距离最大化。这些离超平面最近的样本点被称为支持向量;
3、对于新的未标记样本,根据其在超平面的位置来进行分类。
本实施例中用于分类的超平面方程为wTx+b=0,则有
wTx+b>0,y=+1;wTx+b<0,y=-1
其中,x是输入向量,w是权值向量,b是偏置项,y是输出类别。
在支持向量机分类器中,超平面将特征空间分成两个部分,分别对应于不同的类别。对于一个新的输入向量x,本实施例中输入的向量x为不同维度下水军用户数据,根据其在超平面的位置来进行分类。如果wTx+b>0,则将其分类为y=+1;如果wTx+b<0,则将其分类为y=-1。
超平面的法向量w决定了超平面的方向,而偏置项b决定了超平面与原点的距离。通过调整w和b的值,可以找到一个最优的超平面,使得不同类别的样本点尽可能地被分开,并且离超平面最近的样本点到超平面的距离最大化。
超平面与最近的样本点之间的间隔成为分离边缘,支持向量机的目标是找到一个分离边缘最大的超平面,即最优超平面,也就是要确定分离边缘最大时w和b的值
在d(w)Tx+b≥1的约束下,可得最小化代价函数:
φ(w)=0.5||w||2=1/2wTw
支持向量机分类器的训练过程就是通过优化算法来找到最优的w和b的过程。一旦得到了最优的超平面,就可以用来对新的未标记样本进行分类。
对于非线性分类问题,可以通过使用核函数来将特征空间映射到一个高维空间,从而在高维空间中找到一个线性可分的超平面。这样,超平面方程的形式仍然是wTx+b=0,只是特征空间中的内积wTx被替换为核函数K(x,x'),其中x'是支持向量。
低位空间向量集映射到高位空间是涉及到SVM的关键,核函数可以巧妙地解决计算复杂度的问题,只要选用适当的核函数,就可以得到高维空间的分类函数,采用不同的核函数得到不同的SVM算法。
常见的核函数类型有以下几种:
(1)线性核函数:K(x,xi)=x·xi
(2)多项式核函数:K(x,xi)=((x·xi)+1)d
(3)径向基核(RBF):K(x,xi)=exp(-||x-xi||2/σ2)
(4)Sigmoid核函数:K(x,xi)=tanh(κ(x,xi)-δ)
其中,RBF核主要用于线性不可分的情形,适用于参数多,分类结果非常依赖于参数的实际问题。根据快手数据特征属性特点,所以选择RBF核解决数据分类问题。
步骤五:如图2所示,将清洗后的用户数据集分别在不同维度下拆分成训练集、测试集与验证集,作为支持向量机(SVM)的输入并对支持向量机进行训练。
本实施例中水军用户数据信息分为三个维度,将每个维度下清洗后的水军用户数据集拆分成训练集、测试集与验证集,以此作为支持向量机(SVM)的输入项,对支持向量机进行训练。
步骤六:分别从各个维度用支持向量机对账号用进行分类,获得该维度下的疑似水军账号。
步骤七:依次将某一维度下的疑似水军账号分别在其他维度用支持向量机(SVM)进行分类。
步骤八:在其他至少一个维度仍识别为水军账号的疑似水军账号,确定为水军账号。
例如:某一用户账号在时间维度下被识别为疑似水军账号,将该用户账号信息以及行为数据和内容数据信息在内容维度和数量维度下再次用支持向量机(SVM)进行分类。
当该用户账号在内容维度或数量维度下再次被识别为疑似水军账号,则可以确定该用户账号为水军账号。
即同一用户账号信息至少在两个维度下被识别为疑似水军账号,以确认其为水军账号。
步骤九:将获得的三个维度的水军账号进行汇总,获得最终的快手平台水军账号数据。
上面描述的实施例并非用于限定本发明,任何本领域的技术人员,在不脱离本发明的精神和范围内,可做各种的更换和修改,因此本发明的保护范围视权利要求范围界定。
Claims (4)
1.一种多维度快速识别网络水军的方法,其特征在于,包括以下步骤:
步骤一、获取平台用户的基本账户信息,以及用户的行为数据和内容数据;
步骤二、分别从时间维度、数量维度和内容维度对水军用户进行特征提取,获得不同维度的水军用户数据集;
其中,时间维度的特征为用户发文及评论的时间、评论时间间隔;数量维度的特征为用户日发文及评论量、凌晨发文及评论量;内容维度的特征是评论内容的相似度;分别按照每个维度不同的特征标准,从用户数据中初步筛选符合各维度特征的水军用户,获取不同维度水军用户数据集;
步骤三、对不同维度下的水军用户数据集分别进行标记和清洗,进一步识别出其中的正常用户和水军用户,其中正常用户数据标记为0,水军用户数据标记为1;
其中,设U为步骤而获取的水军用户数据集,Uy为网络水军集合,Un为非网络水军集合,则U={Uy,Un},设x为用户特征向量,则x={x1,x2,…,xi,…,xn},其中xi表示各个用户特征属性,建立目标函数F(x)=wTx+b,F(x)∈{+1,-1},其中,x为输入向量,w为法向量,w决定了超平面方向,b是位移量,b决定超平面与原点之间的距离,wT是w的转置,当wTx+b>0时,F(x)=+1,表示该特征向量标志的用户属于水军用户集合,反之,当wTx+b<0时,F(x)=-1,表示属于正常用户集合;
步骤四、构建支持向量机分类器;
建立用于分类的超平面方程为wTx+b=0,其中,x为输入向量,w为法向量,决定了超平面方向,b是位移量,决定超平面与原点之间的距离,wT是w的转置,建立函数F(x)=wTx+b,F(x)∈{+1,-1},其中,x为输入向量,根据样本点在超平面wTx+b=0的位置进行分类,当wTx+b>0时,F(x)=+1,表示该特征向量标志的用户属于水军用户集合,反之,当wTx+b<0时,F(x)=-1,表示属于正常用户集合;
超平面与最近的样本点之间的间隔为分离边缘,获取最优超平面,确定分离边缘最大时w和b的值;
在d(w)Tx+b≥1的约束下,得到最小化代价函数:
φ(w)=0.5||w||2=1/2wTw
根据用户数据集的特征属性特点,支持向量机分类器SVM采用适当的核函数构建分类算法,实现水军用户数据集的分类;
步骤五、分别在不同维度下将标记和清洗的水军用户数据集拆分成训练集、测试集与验证集,作为支持向量机SVM的输入,并利用不同维度下拆分获得的训练集、测试集与验证集对支持向量机进行分别训练;
步骤六、分别从各个维度用支持向量机对用户账号进行分类,获得该维度下的疑似水军用户账号;
步骤七、依次将某一维度下的疑似水军用户账号分别在其他维度用支持向量机进行分类;
步骤八、在其他至少一个维度仍识别为水军用户账号的疑似水军用户账号,确定为水军用户账号;
步骤九、将获得的三组水军用户账号进行汇总,获得最终的水军用户账号数据。
2.根据权利要求1所述的多维度快速识别网络水军的方法,其特征在于,步骤二包括新特征构造模块:采集网络水军数据,并利用先验知识对数据进行打标和数据清理得到数据集,构造不同维度下的水军特征标准,所述不同维度包括时间维度、数量维度、内容维度三个维度。
3.根据权利要求2所述的多维度快速识别网络水军的方法,其特征在于,所述特征标准为:数量维度中若某一用户日发文及评论量在10次以上,则认为是水军账号;内容维度中若某一用户评论内容的相似度超过预定阈值,则认为是水军账号;时间维度中若某一用户,其评论时间间隔在5秒以内并达到5次以上,则认为是水军账号;同时若某一用户在凌晨点到5点发文及评论数量超过5次,则认为是水军账号。
4.根据权利要求1所述的多维度快速识别网络水军的方法,其特征在于,步骤一中所述的行为数据和内容数据包括评论内容、评论时间、用户单日发文及评论量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311312641.6A CN117435982A (zh) | 2023-10-11 | 2023-10-11 | 一种多维度快速识别网络水军的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311312641.6A CN117435982A (zh) | 2023-10-11 | 2023-10-11 | 一种多维度快速识别网络水军的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117435982A true CN117435982A (zh) | 2024-01-23 |
Family
ID=89552550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311312641.6A Pending CN117435982A (zh) | 2023-10-11 | 2023-10-11 | 一种多维度快速识别网络水军的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435982A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711593A (zh) * | 2024-02-05 | 2024-03-15 | 苏州绿华科技有限公司 | 一种智慧药房进出药管理系统 |
-
2023
- 2023-10-11 CN CN202311312641.6A patent/CN117435982A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117711593A (zh) * | 2024-02-05 | 2024-03-15 | 苏州绿华科技有限公司 | 一种智慧药房进出药管理系统 |
CN117711593B (zh) * | 2024-02-05 | 2024-04-19 | 苏州绿华科技有限公司 | 一种智慧药房进出药管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298037B (zh) | 基于增强注意力机制的卷积神经网络匹配的文本识别方法 | |
CN106021364B (zh) | 图片搜索相关性预测模型的建立、图片搜索方法和装置 | |
Beikmohammadi et al. | SWP-LeafNET: A novel multistage approach for plant leaf identification based on deep CNN | |
CN105389326B (zh) | 基于弱匹配概率典型相关性模型的图像标注方法 | |
CN111414461A (zh) | 一种融合知识库与用户建模的智能问答方法及系统 | |
CN115688024B (zh) | 基于用户内容特征和行为特征的网络异常用户预测方法 | |
Mohammadi et al. | Improving linear discriminant analysis with artificial immune system-based evolutionary algorithms | |
CN113554100B (zh) | 异构图注意力网络增强的Web服务分类方法 | |
CN116468460B (zh) | 基于人工智能的消费金融客户画像识别系统及其方法 | |
CN117435982A (zh) | 一种多维度快速识别网络水军的方法 | |
CN111581379B (zh) | 一种基于作文扣题度的自动作文评分计算方法 | |
CN112949954B (zh) | 基于识别学习建立财务欺诈识别模型的方法 | |
Kumar et al. | An optimal churn prediction model using support vector machine with adaboost | |
Gabbay et al. | Isolation forests and landmarking-based representations for clustering algorithm recommendation using meta-learning | |
Xu | Mt-resnet: a multi-task deep network for facial attractiveness prediction | |
Tripathy et al. | AEGA: enhanced feature selection based on ANOVA and extended genetic algorithm for online customer review analysis | |
CN117273134A (zh) | 一种基于预训练语言模型的零样本知识图谱补全方法 | |
Alzubaidi et al. | Projection pursuit Random Forest using discriminant feature analysis model for churners prediction in telecom industry. | |
Xu et al. | Semi-supervised self-growing generative adversarial networks for image recognition | |
CN115577080A (zh) | 一种问题回复匹配方法、系统、服务器及存储介质 | |
Lubis et al. | Knn method on credit risk classification with binary particle swarm optimization based feature selection | |
Wotaifi et al. | Modified random forest based graduates earning of higher education mining | |
CN114022698A (zh) | 一种基于二叉树结构的多标签行为识别方法及装置 | |
Sharma et al. | Emotion quantification and classification using the neutrosophic approach to deep learning | |
Golchha et al. | Quantum-enhanced support vector classifier for image classification |
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 |