专利交易市场

基于对比生成的自监督消息传递图表示学习方法，包括：步骤1：数据预处理，包括：图数据处理与数据划分；将原始图数据集中的所有孤立节点加上指向自身的自环；若数据集中的连边为有向边，则将所有的有向边转换为无向边；将节点按照1:1:8的比例划分为训练集、验证集和测试集；步骤2：对比生成阶段；该阶段通过一个对比生成模型，具体地学习节点的嵌入表示；对比生成模型由对比模块和生成模块两部分构成，二者共享编码器结构，基于对比和生成的思想，共同优化节点的嵌入表示；步骤3：对比聚合阶段；将对比生成模块得到的拓扑图G的节点嵌入H传给聚合模型，由对比聚合模型对节点嵌入进行聚合，完成训练后得到本模型最终的节点嵌入。解决了生成式方法受噪声和输入特征可辨别性影响较大的问题，提升了模型的鲁棒性。

本发明涉及一种基于聚类空间去相关性的无监督图像表示学习方法，对输入的一个批次图像进行两次随机增强得到两个批次数据输入孪生网络；基于输出与簇中心计算输入到每个簇的相似度；基于聚类空间特征得到一个批次内的输入之间的互相关矩阵，计算单位化损失；将聚类空间特征归一化获得输入到每个簇的隶属度，将其中一个图像的隶属度作为另一个相关图像的目标分布，计算模型对输入的预测及其目标分布之间的对齐损失；单位化损失与对齐损失相加作为用于模型训练的总损失；对单位化损失的最小化实现簇级别的一致性和去相关性，互为目标损失实现样本级别对输入扰动的一致性，最终实现在无负样例对的条件下进行有效的无监督图像表示学习。

本发明公开了一种提示驱动的两阶段多模态情感表示学习方法，包括：从多个公开的多模态情感分析数据集中分别采集原始视频数据；进行预处理和特征提取，得到视觉、音频和文本的向量化多模态特征表示，获取多源情绪线索；在训练阶段，构建提示驱动的两阶段多模态情感表示学习模型，通过情感锚点对比对齐阶段增强类间可分离性并保留类内强度特征，包括基于提示的情感锚点学习和联合表征与情感锚点间的对比对齐；通过情感强度偏移估计阶段捕捉情绪表达的动态变化；在推理阶段，进行情感类别的预测和最终情感状态的预测。本发明方法能够稳定地捕捉多模态间的共享情感特征，有效抑制个体差异带来的干扰，显著提升了情感预测的准确率和鲁棒性。

本发明涉及一种面向区域流量预测的时空全局语义表示学习方法，S1建立面向区域流量预测的时空全局语义表示学习模型ST‑GSP，ST‑GSP包括依次排列的语义流编码器、transformer编码器和融合过程；语义流编码器对不同距离的空间依赖关系和外部因素的影响进行编码；transformer编码器用于捕获不同尺度的时间依赖关系之间的相关性；融合过程融合了历史表示和未来时间间隔上的外部因素，以获取最终的表示；S2采用自监督学习的方法对ST‑GSP进行训练；S3将待预测时间点之前的历史数据输入训练好的ST‑GSP，ST‑GSP的输出即为待预测时间点的流量。本发明方法利用了更详细的时间信息作为位置编码，增强了对区域流量预测的准确性。

发明公开了一种基于表示学习的隐藏关联挖掘方法，包括：爬取高校教师数据构建知识库；通过DEEPWALK算法向量化实体，进行PCA主成分分析将实体向量降维至2维，通过距离度量算法计算实体间相似度；用改进的NODE2VEC算法向量化实体，通过PCA降维后计算相似度，取降维前形成的推荐列表和降维后形成的推荐列表的交集推送用户；通过逆向最大匹配算法切分用户输入语料，与系统自定义字典匹配，构造Cypher查询语句，将查询实体数据返还WEB应用程序。利用关联挖掘系统实现教师实体间关系维度扩展。用户输入关键字查询语句并调用接口获取教师实体数据集。通过ECharts渲染教师实体属性数据和实体间关系数据，实现教师实体可视化。