“邝少辉”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果6个，建议您升级VIP下载更多相关专利

[发明专利]解题模型的确定方法、数据处理方法、装置、介质及设备-CN202210220535.4在审
发明人： 邝少辉;李晨光 -专利权人：北京有竹居网络技术有限公司
申请日： 2022-03-08 - 公布日： 2023-09-19 - 主分类号： G06F16/332 文献下载
摘要：本公开涉及一种解题模型的确定方法、数据处理方法、装置、介质及设备，所述解题模型的确定方法包括：获取目标训练集，其中，所述目标训练集中的每一训练样本包括题目信息和目标解题逻辑信息，所述目标解题逻辑信息为表示求解所述题目信息所用的解题动作和解题参数的序列；根据所述题目信息和预设模型，获得所述题目信息对应的候选解题动作和预测解题逻辑信息；根据所述候选解题动作、所述预测解题逻辑信息和所述目标解题逻辑信息，确定所述预设模型的解题预测损失；根据所述解题预测损失对所述预设模型进行训练，并将训练完成的预设模型确定为所述解题模型。由此，通过解题模型可以输出解题逻辑信息以对用户进行提示，有助于用户自主思考。
解题模型确定方法数据处理装置介质设备

[发明专利]文本转换方法、装置、介质及电子设备-CN202111217727.1在审
发明人： 邝少辉 -专利权人：北京有竹居网络技术有限公司
申请日： 2021-10-19 - 公布日： 2022-01-18 - 主分类号： G06F40/126 文献下载
摘要：本公开涉及一种文本转换方法、装置、介质及电子设备，所述方法包括：根据语言模型的编码子模型对输入文本进行编码，获得所述输入文本的特征向量；根据所述语言模型的预测子模型和所述特征向量，确定进行文本转换的初始词，其中，所述初始词为进行文本转换所得的转换文本中的任一词；基于所述语言模型的解码子模型，以所述初始词为起点对所述特征向量进行解码，获得所述输入文本对应的转换文本的词序列，其中，所述词序列中的每一元素包括预测词和该预测词的下一预测词的预测方向，所述初始词为所述词序列中第一个元素中的预测词；基于所述词序列的每一元素中的预测方向对各个元素中的预测词进行拼接，获得所述输入文本对应的所述转换文本。
文本转换方法装置介质电子设备

[发明专利]神经机器翻译方法及其模型的训练方法、装置及电子设备-CN202010646609.1在审
发明人： 邝少辉;于恒;骆卫华 -专利权人：阿里巴巴集团控股有限公司
申请日： 2020-07-07 - 公布日： 2022-01-11 - 主分类号： G06F40/58 文献下载
摘要：本公开实施例提供一种神经机器翻译方法及其模型的训练方法、装置及电子设备。该方法包括：从翻译记忆库中获取与平行语料库中每个源端句子相似度最高的翻译记忆库句对；将源语言句对和翻译记忆库句对作为训练样本集训练预设初始模型，直至预设初始模型的翻译记忆库源端编码器层第一参数收敛，预设初始模型的翻译记忆库目标端编码器层的第二参数收敛，以及预设初始模型的包含翻译记忆库信息的解码器层的第三参数收敛，得到神经机器翻译模型；其中，源端句对包括源端句子和对应的目标端句子，翻译记忆库句对包括翻译记忆库源端句子和对应的翻译记忆库目标端句子。根据本公开实施例，可以提升神经机器翻译结果的准确度。
神经机器翻译方法及其模型训练装置电子设备

[发明专利]带有复制机制的神经机器翻译方法-CN201711441339.5有效
发明人：熊德意;邝少辉 -专利权人：苏州大学
申请日： 2017-12-27 - 公布日： 2021-07-20 - 主分类号： G06F40/58 文献下载
摘要：本发明涉及一种带有复制机制的神经机器翻译方法，应用在基于注意力机制且采用encoder‑decoder框架的NMT模型，包括：在原始训练语句的源语言和目标语言中，标记出需要指定翻译的源短语和对应的目标短语；把原始训练语句中的源语言中需要指定翻译的源短语替换为原始训练语句中的目标语言中对应的目标短语；对上述处理过的原始训练语句进行NMT系统的训练；在待翻译的源语句中，标记出需要指定翻译的短语。上述带有复制机制的神经机器翻译方法，可以很好翻译特定的短语，如人名，地名，机构名，品牌词等，可以和任何的语料处理技术兼容，进一步提升翻译效果，不需要更改NMT系统结构，可以方便的应用在任何NMT系统上面。
带有复制机制神经机器翻译方法

[发明专利]一种基于词向量连接技术的神经机器翻译方法及装置-CN201711091457.8有效
发明人：熊德意;邝少辉 -专利权人：苏州大学
申请日： 2017-11-08 - 公布日： 2021-03-26 - 主分类号： G06F40/58 文献下载
摘要：本发明公开了一种基于词向量连接技术的神经机器翻译方法，包括：在编码阶段，编码器获得源语句的词向量序列，根据确定的前向向量序列和反向向量序列确定源语句对应的隐层向量序列，每个源单词对应的含有上下文信息的向量表示包括该源单词对应的前向隐层状态、反向隐层状态及单词向量，可以获得上下文向量，在解码阶段，解码器预测相应源单词的目标单词，从而生成源语句的目标语句。应用本发明实施例所提供的技术方案，缩短了源端单词向量和目标端单词向量之间的信息通道，增强了单词向量之间的连接和映射，增强了翻译系统性能，提高了翻译质量。本发明还公开了一种基于词向量连接技术的神经机器翻译装置，具有相应技术效果。
一种基于向量连接技术神经机器翻译方法装置

[发明专利]面向神经机器翻译的长句切分方法及装置-CN201610224531.8有效
发明人：熊德意;邝少辉 -专利权人：苏州大学
申请日： 2016-04-12 - 公布日： 2019-02-12 - 主分类号： G06F17/28 文献下载
摘要：本申请提供了一种面向神经机器翻译的长句切分方法，在使用NMT模型进行语句翻译前，并非直接将源语句输入NMT模型中，而是将语句切分为较短的子句，将各个子句依次输入NMT模型，以使NMT模型分别依次翻译各个切分后的子句，然后，直接将翻译后的子句拼接为完整子句。由于输入NMT模型翻译的子句较短，NMT模型的翻译准确率较高，从而提高了语句翻译的准确率。另外，本申请还提供了一种面向神经机器翻译的长句切分装置，用以保证所述方法在实际中的应用及实现。
面向神经机器翻译长句切分方法装置