“范意兴”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16个，建议您升级VIP下载更多相关专利

[发明专利]一种命名实体识别模型的训练方法及命名实体识别的方法-CN202010546972.6有效
发明人：郭嘉丰;范意兴;刘艺菲;张儒清;程学旗 -专利权人：中国科学院计算技术研究所
申请日： 2020-06-16 - 公布日： 2023-10-27 - 主分类号： G06F40/295 文献下载
摘要：本发明实施例提供了一种命名实体识别模型的训练方法及命名实体识别的方法，本发明利用训练集训练BERT‑CRF模型得到经本轮训练的命名实体识别模型，然后用经本轮训练的命名实体识别模型标记待识别数据集得到弱标记的待识别数据集，从弱标记的待识别数据集中选择一部分与初始训练集合并作为新的训练数据集继续对命名实体识别模型进行下一轮训练，从而让命名实体识别模型在对待识别数据集进行识别前用待识别数据集对模型进行调整，使其具有更佳的泛化能力，最终提升模型在待识别数据集上的识别效果。
一种命名实体识别模型训练方法

[发明专利]一种社交网络图的处理方法-CN202310539720.4在审
发明人：程学旗;郭嘉丰;范意兴;张儒清;廉涛;咸宁 -专利权人：中国科学院计算技术研究所
申请日： 2023-05-15 - 公布日： 2023-08-04 - 主分类号： G06F16/9035 文献下载
摘要：本发明提供了一种社交网络图的处理方法，包括：获取包括第一社交网络图和第二社交网络图的待处理网络图，以及两个图对应的初始锚点对集合；针对所述第一社交网络图和所述第二社交网络图分别提取两个图的节点结构信息；根据所述两个图的节点结构信息采用启发式的过滤规则基于多种相似度计算方式从所述初始锚点对集合中筛选出满足预设相似性要求的初始锚点对，得到经过滤的初始锚点对集合，其中，至少部分相似度计算方式依据两个图中能表征邻居结构的相关特征来计算相似度；基于所述节点结构信息和所述经过滤的初始锚点对集合确定所述第一社交网络图和所述第二社交网络图中节点间的关联关系。
一种社交网络图处理方法

[发明专利]一种构建共指消解模型的方法、共指消解的方法和介质-CN202010667443.1有效
发明人：郭嘉丰;范意兴;吴志达;张儒清;程学旗 -专利权人：中国科学院计算技术研究所
申请日： 2020-07-13 - 公布日： 2023-07-21 - 主分类号： G06F40/289 文献下载
摘要：本发明实施例提供了一种构建共指消解模型的方法、共指消解的方法和介质，所述方法包括A1、构建初始共指消解模型，所述初始共指消解模型包括预训练模块、文段向量模块、指称词判断模块和共指判断模块，其中，所述预训练模块采用预训练的XLNet模型，所述指称词判断模块包括第一前馈网络，所述共指判断模块包括第二前馈网络；A2、获取包括多个句子的训练数据集，所述训练数据集带有人工标注的共指关系；A3、用所述训练数据集对初始共指消解模型进行多轮训练至其收敛获得共指消解模型。本发明实施例的技术方案可以提升共指消解过程对于长距离依赖的共指关系的判断性能。
一种构建消解模型方法介质

[发明专利]命名实体识别模型训练方法、命名实体识别方法和介质-CN202010541415.5有效
发明人：程学旗;郭嘉丰;范意兴;张儒清;刘艺菲 -专利权人：中国科学院计算技术研究所
申请日： 2020-06-15 - 公布日： 2023-06-06 - 主分类号： G06F40/295 文献下载
摘要：本发明实施例提供了命名实体识别模型训练方法、命名实体识别方法和介质，本发明考虑先用源领域标记数据和目标领域未标记数据集对第一训练模型进行训练，基于第一训练模型的参数设置第二训练模型，再用目标领域标记数据集对第二训练模型进行微调，从而得到最终的命名实体识别模型，由此，避免了需要大量标记目标领域的样本用于训练的问题。
命名实体识别模型训练方法介质

[发明专利]融合依存信息和预训练语言模型的事件抽取方法及系统-CN202010398752.3有效
发明人：靳小龙;郭嘉丰;程学旗;延浩然;官赛萍;范意兴;席鹏弼 -专利权人：中国科学院计算技术研究所
申请日： 2020-05-12 - 公布日： 2023-05-02 - 主分类号： G06F16/31 文献下载
摘要：本发明提出一种融合依存信息和预训练语言模型的事件抽取方法及系统，包括以句子的依存句法树为输入，利用使用图卷积神经网络学习依存句法特征，并加入依存关系预测任务，通过多任务学习的方式捕捉更重要的依存关系，最后使用BERT预训练语言模型增强底层句法表达，完成中文句子的事件抽取。由此本发明对事件抽取任务下触发词抽取和论元抽取的性能均有所提高。
融合依存信息训练语言模型事件抽取方法系统

[发明专利]基于BERT模型的文档关键词抽取方法及装置-CN202110142917.5有效
发明人：程学旗;郭嘉丰;范意兴;张儒清;赵恒;马新宇 -专利权人：中国科学院计算技术研究所
申请日： 2021-02-02 - 公布日： 2023-02-03 - 主分类号： G06F16/332 文献下载
摘要：一种基于BERT模型的文档关键词抽取方法，其包括以下步骤：将文档集合中的每篇文档通过BERT模型进行编码，并提取BERT模型生成的文档语义对每个子词的注意力权重；将子词还原成词语，并将子词的注意力权重聚合为词语的注意力权重；将文档中不同位置的同一词语的注意力权重聚合为词语的与位置无关的注意力权重，记为p(word_weight|doc)；计算每个词语在文档集合上的注意力权重，记为p(word_weight|corpus)；以及联合p(word_weight|doc)和p(word_weight|corpus)，并选取N个最终注意力权重最高的词语作为文档关键词。该方法利用BERT模型提取文档语义表示来计算词语注意力权重分布，最终实现关键词的抽取，兼顾词语频率信息的同时，有效地解决传统无监督算法忽略语义问题，提高了关键词抽取的准确率和召回率。
基于 bert 模型文档关键词抽取方法装置

[发明专利]基于因果关系的序列到序列文本摘要生成方法及系统-CN202211215316.3在审
发明人：郭嘉丰;陈薇;张儒清;陈璐;范意兴;程学旗 -专利权人：中国科学院计算技术研究所
申请日： 2022-09-30 - 公布日： 2023-01-31 - 主分类号： G06F16/34 文献下载
摘要：本发明提出一种基于因果关系的序列到序列文本摘要生成方法和系统，属于自然语言处理和自动文本摘要生成领域。本方法受到因果理论的启发，从数据生成的角度研究了摘要任务中各要素的因果关系。该方法首先引入两个不可观测变量，得出摘要任务的结构因果模型；然后根据结构因果模型得出相应的序列到序列生成框架，用于建模原文和摘要的生成过程。该框架包含三个核心模块：双隐变量变分编码器、原文重构解码器和摘要预测解码器。此方法不仅比现有的端到端深度文本摘要方法具备更强的可解释性，还具备更好的摘要性能和更强的泛化能力。该方法是一个具备强适用性的序列到序列框架，因此可以迁移到更多模型主体、生成任务和不同数据集上。
基于因果关系序列文本摘要生成方法系统

[发明专利]一种构建文本分类系统的方法、系统、介质及电子设备-CN202010709070.X有效
发明人： 范意兴;郭嘉丰;袁浩达;张儒清;程学旗 -专利权人：中国科学院计算技术研究所
申请日： 2020-07-22 - 公布日： 2023-01-24 - 主分类号： G06F16/35 文献下载
摘要：本发明实施例提供了种构建文本分类系统的方法、系统、介质及电子设备，该文本分类系统包括分句模块、句子级特征提取模块、篇章级特征提取模块和分类模块，该方法包括：A1、获取包括多个文本的训练集，所述训练集中的文本带有标记的所属类别，且其中至少部分文本是超长文本；A2、用分句模块根据预定义的分句规则对训练集中的每个文本进行分句以得到多个句子；A3、用所述训练集对文本分类系统的句子级特征提取模块、篇章级特征提取模块和分类模块进行多轮训练至收敛，得到文本分类系统；本发明减少了提取特征时丢失语义信息和结构信息的可能，最后根据文本的篇章特征用于后续的分类预测，提高了文本分类的准确率，尤其适用于对超长文本的准确分类。
一种构建文本分类系统方法介质电子设备

[发明专利]一种实体召回方法及实体查询系统-CN202210974839.X在审
发明人：郭嘉丰;范意兴;王苑铮;陈薇;张儒清;程学旗 -专利权人：中国科学院计算技术研究所
申请日： 2022-08-15 - 公布日： 2023-01-06 - 主分类号： G06F16/33 文献下载
摘要：本发明实施例提供一种实体召回方法，包括：S1、获取待查询实体，利用预先训练的第一编码神经网络对待查询实体进行编码，得到待查询实体的多维浮点值查询向量；S2、将多维浮点值查询向量中每个维度的浮点值按照预设规则映射为非浮点的第一数值或者第二数值，得到多维二值查询向量；S3、根据待查询实体的多维二值查询向量在实体知识库选取部分规范实体生成召回的候选实体集合，其中所述实体知识库包括规范化命名的多个规范实体及按照与每个规范实体对应的多维二值实体向量。本发明将浮点值形式的向量转换为二值形式的向量，降低存储空间占用并提高计算效率。
一种实体召回方法查询系统

[发明专利]一种语义匹配模型的训练方法以及文本匹配方法-CN202210991280.1在审
发明人：程学旗;郭嘉丰;范意兴;张儒清;刘嘉铭;樊润泽 -专利权人：中国科学院计算技术研究所
申请日： 2022-08-18 - 公布日： 2022-12-23 - 主分类号： G06N3/08 文献下载
摘要：本发明提供了一种语义匹配模型的训练方法，包括：A1、获取训练集，其包括多个样本，每个样本包含预定文本以及每个预定文本对应的两个待匹配文本，每个样本分别对应有弱标签和权重，弱标签指示对应样本所含两个待匹配文本中的哪一个待匹配文本与预定文本更具相关性，初始权重的数值与指示对应样本的难度的难度指标相关，难度相对越大的样本赋予相对越小的初始权重；A2、利用训练集中的样本对语义匹配模型进行多次迭代训练，使其根据预定文本分别和每个待匹配文本形成的文本对输出两者的相关性得分，根据相关性得分、弱标签以及权重确定加权损失值以更新语义匹配模型，样本的权重根据当前已完成训练的次数进行动态调整。
一种语义匹配模型训练方法以及文本

[发明专利]一种基于多标签序列标注的指代消解方法-CN202210561797.7在审
发明人：程学旗;郭嘉丰;范意兴;郭建涛 -专利权人：中国科学院计算技术研究所
申请日： 2022-05-23 - 公布日： 2022-09-02 - 主分类号： G06F40/30 文献下载
摘要：本发明提供一种基于多标签序列标注的指代消解方法，包括：S1、将待处理文本分割成预设长度且不重合的多个文本片段；S2、采用预训练模型对每个文本片段进行编码得到每个字符的语义表达；S3、基于每个字符的语义表达分别判断每个字符是否属于B I E标签；S4、基于每个字符对应的标签，在连续I标签序列中，基于预设的组合策略组合任意的BE标签对应的字符构成短语，其中，连续I标签序列表示一个连续的字符序列中的每个字符均具有I标签；S5、计算任意两个短语之间的相似性得分，为每个短语保留与其相似性得分排名靠前的预设个数的短语作为其前置候选短语；S6、采用排序模型将每个短语的前置候选短语进行排序并将得分第一的前置候选短语作为其互指对象。
一种基于标签序列标注指代消解方法

[发明专利]一种基于类别稠密向量表示的通用文本分类方法及系统-CN202010080710.5有效
发明人：郭嘉丰;范意兴;袁浩达;程学旗 -专利权人：中国科学院计算技术研究所
申请日： 2020-02-05 - 公布日： 2022-08-19 - 主分类号： G06F40/279 文献下载
摘要：本发明提出一种基于类别稠密向量表示的通用文本分类方法及系统，包括：获取包括以标记类别文本的训练数据，使用全连接网络处理该训练数据，得到各类别的类别稠密向量；将待分类文本输入至深度神经网络，得到该待分类文本中每个词的词稠密向量，并集合该词稠密向量得到该待分类文本的文本稠密向量；将该文本稠密向量和该类别稠密向量输入至匹配度测量模型，得到该待分类文本属于各类别的概率分布，将该待分类文本与该概率分布中概率最大的类别相匹配，作为该待分类文本的分类结果。本发明基于类别稠密向量表示，将文本分类问题转化为文本匹配问题，通过计算输入文本与每个类别之间的匹配程度，将文本分到匹配程度最大的类别之中。
一种基于类别稠密向量表示通用文本分类方法系统

[发明专利]基于知识图谱的搜索方法、装置、计算机设备及存储介质-CN202210223234.7在审
发明人：杨洋;梁华盛;范意兴;王苑铮;颜强;郭嘉丰 -专利权人：腾讯科技（深圳）有限公司;中国科学院计算技术研究所
申请日： 2022-03-09 - 公布日： 2022-06-17 - 主分类号： G06F16/36 文献下载
摘要：本申请公开了一种基于知识图谱的搜索方法、装置、计算机设备及存储介质，涉及信息检索技术领域。所述方法包括：在知识图谱中确定与查询文本对应的候选实体列表，候选实体列表包括至少一个候选实体；对查询文本进行编码得到第一查询向量，以及对候选实体的知识图谱信息进行编码得到第一候选向量；将第一查询向量和第一候选向量输入自注意力层，得到第二查询向量和第二候选向量；根据第二查询向量和第二候选向量的向量相似度，确定查询文本与候选实体的相关度打分；根据相关度打分对候选实体进行排序，以及基于排序结果输出搜索结果。本申请通过自注意力层实现查询文本和候选实体列表中的各个候选实体的交互，提升了搜索的精确度。
基于知识图谱搜索方法装置计算机设备存储介质

[发明专利]一种基于熵的神经机器翻译动态解码方法及系统-CN202010151246.4有效
发明人：程学旗;郭嘉丰;范意兴;王素 -专利权人：中国科学院计算技术研究所
申请日： 2020-03-06 - 公布日： 2022-03-29 - 主分类号： G06F40/58 文献下载
摘要：本发明提出一种基于熵的神经机器翻译动态解码方法及系统，通过分析句子的熵值与BLEU值之间的关系，发现BLEU值高的句子中单词的平均熵值比BLEU值低的句子中单词的平均熵值小，且熵值低的句子的BLEU值普遍比熵值高的句子的BLEU值高。通过计算句子的熵值与BLEU值之间的Pearson系数，发现两者之间存在相关性。因此，本发明提出在训练过程解码阶段的每个时间步，不仅要以一定的概率采样选择真实单词或预测单词获取上下文信息，还要根据上一个时间步的预测结果计算熵值，然后根据熵值动态调整上下文信息的权重。解决了神经机器翻译模型在解码过程中因训练和推断之间的上下文信息差异而导致的错误累积问题。
一种基于神经机器翻译动态解码方法系统

[发明专利]一种开放域文本的实体关系抽取方法及系统-CN202111268377.1在审
发明人：程学旗;刘一伊;王业全;郭嘉丰;张瑾;范意兴;官赛萍 -专利权人：中国科学院计算技术研究所
申请日： 2021-10-29 - 公布日： 2022-02-08 - 主分类号： G06F40/295 文献下载
摘要：本发明提出一种开放域文本的实体关系抽取方法和系统，包括：获取已标注的文本作为训练数据，实体识别抽取训练数据中所有命名实体和名词短语，并对其进行数据增强；以增强后的数据为输入，训练神经网络模型，得到实体关系分类模型；统计增强后的数据中各命名实体和名词短语出现的词频，并将词频大于预设值的命名实体和名词短语标记为过滤词汇；获取开放域文本及其对应的头实体，抽取开放域文本中除过滤词汇以外的命名实体和名词短语并输入实体关系分类模型，得到开放域文本的实体关系。通过有效的数据增强策略，无需增加额外的成本，有效解决由于候选尾实体带来的噪音问题导致的实体关系识别在实际应用中效果不佳的问题。
一种开放文本实体关系抽取方法系统

1
2
下一页»
尾页
共 16 条