[发明专利]学习长时依赖和分层结构的文本分类模型、方法及介质在审
| 申请号： | 201910769110.7 | 申请日： | 2019-08-20 |
| 公开（公告）号： | CN110569358A | 公开（公告）日： | 2019-12-13 |
| 发明（设计）人： | 赵一;沈艳艳;黄林鹏 | 申请（专利权）人： | 上海交通大学 |
| 主分类号： | G06F16/35 | 分类号： | G06F16/35;G06N3/04;G06N3/08 |
| 代理公司： | 31236 上海汉声知识产权代理有限公司 | 代理人： | 庄文莉 |
| 地址： | 200240 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供了一种学习长时依赖和分层结构的文本分类模型、方法及介质，包括：密集连接循环神经网络模块：在循环神经网络中引入密集连接，在不同的时间步之间建立连接，使得每个循环单元可以直接连接到前面的所有的循环单元，再引入密集循环块将时间维度划分成不同的密集循环块，不同的密集循环块之间以循环神经网络的连接方式相连，共享不同密集循环块的参数，获得引入了密集循环块的循环神经网路。本发明基于小波变换和注意力机制，能够有效地提取时间序列数据中蕴藏的时域‑频域特征，融合时间序列本身的全局的长期趋势特征，能够有效地提高时间序列预测精度。 | ||
| 搜索关键词： | 循环块 循环神经网络 循环单元 有效地 引入 时间序列数据 时间序列预测 文本分类模型 注意力机制 长期趋势 分层结构 建立连接 连接方式 频域特征 神经网路 时间维度 时间序列 小波变换 时间步 长时 时域 融合 共享 全局 学习 | ||
【主权项】：
1.一种学习长时依赖和分层结构的文本分类模型，其特征在于，包括：/n密集连接循环神经网络模块：在循环神经网络中引入密集连接，在不同的时间步之间建立连接，使得每个循环单元可以直接连接到前面的所有的循环单元，再引入密集循环块将时间维度划分成不同的密集循环块，不同的密集循环块之间以循环神经网络的连接方式相连，共享不同密集循环块的参数，获得引入了密集循环块的循环神经网路；/n密集循环神经网络更新模块：根据获得的引入了密集循环块的循环神经网路，再引入分层多尺度更新的结构。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于上海交通大学，未经上海交通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910769110.7/，转载请声明来源钻瓜专利网。
