专利交易市场

本发明公开了一种面向无监督聚类的热点事件内部评价方法，该方法解决了目前基于聚类内部评价的电信热点事件发现方法存在的效率低下和准确率不高的问题。该方法是通过对电信投诉数据使用预训练模型进行预处理得到其特征空间，然后使用k‑Means聚类算法得到聚类结果，通过衡量热点事件簇的平均微分熵来判断聚类结果的紧密性，再通过衡量每个热点事件簇的簇心所构成空间的微分熵来判断聚类结果的分离性，最终筛选出更好的聚类结果的电信投诉热点事件的内部评估的方法。该方法通过使用微分熵来衡量聚类结果的紧密性和分离性，具有较低的时间复杂度，可以更加有效地评估聚类结果。进而可以提高电信热点事件发现的效率和准确率。

本发明公开了一种基于图像平移的无监督深度表征学习系统，包括：图像平移变换模块，用于对图像进行随机的平移变换并生成辅助标签；图像掩码模块，与所述图像平移变换模块连接，用于对平移变换后的图像施加掩码；深度神经网络，与所述图像掩码模块连接，用于预测施加掩码后图像的实际辅助标签，并学习图像的深度表征；回归损失函数模块，与所述深度神经网络连接，用于基于损失函数更新深度神经网络的参数；特征提取模块，与所述深度神经网络连接，用于提取图像的表征。本发明既解决了预测图像旋转的无监督方法无法处理旋转不变性图像的问题，也解决了预测几何变换的无监督方法存在的边缘效应问题。