-
公开(公告)号：CN117391092A
公开(公告)日：2024-01-12
申请号：CN202311694492.4
申请日：2023-12-12
Applicant: 中南大学
Abstract: 本发明涉及智能医疗技术领域，具体公开了一种基于对比学习的电子病历多模态医疗语义对齐方法，包括如下步骤：步骤S1，对医学报告进行实体关系抽取，获取医疗三元组；步骤S2，对医学检查图像、医学报告和医疗三元组进行编码；步骤S3，进行全局特征对齐和局部特征对齐；步骤S4，联合实例级对齐模块和描述级对齐模块进行迭代训练，实现电子病历多模态医疗语义对齐。优点是，应用本发明方法，对齐医学影像特征表示中医学报告的语义信息，让关键的病灶区域学习相关的视觉和文本特征，输出多模态的语义特征表示。
-
公开(公告)号：CN110399493A
公开(公告)日：2019-11-01
申请号：CN201910691093.X
申请日：2019-07-29
Applicant: 中南大学
Abstract: 本发明公开了一种基于增量学习的作者消歧方法，包括以下步骤：获取历史引文记录，其中历史引文信息已知聚类标签，不同的聚类标签表示不同的作者个体；根据历史引文记录的数量判断各聚类簇是第一类型或第二类型的聚类簇，对于数量较多的第一类型聚类簇，则使用历史引文记录的特征向量和聚类标签训练相应的朴素贝叶斯分类器；筛选出候选聚类簇，根据所有候选聚类簇的类型，对新的引文记录分情况进行分类处理，综合使用朴素贝叶斯分类器计算所属概率进行分类，使用合著者相似度对所属概率方式分类进行补充判断，计算与第二类型聚类簇的语义相似度以解决无法使用朴素贝叶斯分类器进行概率分类的问题。本发明的作者消歧效果佳，而且计算开销低。
-
公开(公告)号：CN118898289B
公开(公告)日：2024-12-06
申请号：CN202411396668.2
申请日：2024-10-09
Applicant: 中南大学
IPC: G06N5/022 , G06F40/216 , G06F40/295 , G06N3/042 , G06N3/0455 , G06N3/08 , G06N7/01 , G06F16/36
Abstract: 本发明涉及临床医疗文本识别技术领域，涉及一种临床事件时序关系识别方法、介质及设备，识别方法包括：获取两个临床事件及其对应的原始临床文本；识别出两个临床事件中的医学实体；基于医学知识图谱搜索生成标准化实体子图；基于图注意力机制对两个标准化实体节点进行特征编码得到临床事件对的综合特征向量；计算两个临床事件对原始临床文本中各个句子的注意力权重；选取注意力权重最高的M个句子进行重组得到文本片段；基于CoT提示学习进行少样本学习得到可以输出两个临床事件间的时序关系的时序关系模型。本发明提高了时序关系的识别效率和处理复杂数据时的精确性，适用长文本的识别，采用CoT提示学习方法以充分激发模型的推理能力。
-
公开(公告)号：CN116415005B
公开(公告)日：2023-08-18
申请号：CN202310684297.7
申请日：2023-06-12
Applicant: 中南大学
IPC: G06F16/36 , G06N3/048 , G06N3/096 , G06F16/35 , G06F18/241
Abstract: 本发明公开了一种面向学者学术网络构建的关系抽取方法，包括如下步骤：步骤S1：构建包括至少两个教师模型的多教师模型，计算教师模型权重；步骤S2：构建学生模型，根据灵活温度计算蒸馏目标分布，计算知识蒸馏损失，结合知识蒸馏损失和远程监督损失计算总损失；步骤S3，进行关系抽取，学生模型进行训练，得到关系抽取模型，利用关系抽取模型对输入的数据集进行关系抽取。优点是，本发明考虑到样本的差异而设置灵活温度，使用样本在隐藏层和分类层的信息熵相对差值，尽可能保留样本的有效信息，并降低样本标签软化的不确定性；另外，本发明将多教师的思想引入到了关系抽取之中，通过构建不同教师的全局关系，以传播更丰富且有效的知识。
-
Patent Agency Ranking
公开(公告)号：CN110399493B
公开(公告)日：2021-11-16
申请号：CN201910691093.X
申请日：2019-07-29
Applicant: 中南大学
Abstract: 本发明公开了一种基于增量学习的作者消歧方法，包括以下步骤：获取历史引文记录，其中历史引文信息已知聚类标签，不同的聚类标签表示不同的作者个体；根据历史引文记录的数量判断各聚类簇是第一类型或第二类型的聚类簇，对于数量较多的第一类型聚类簇，则使用历史引文记录的特征向量和聚类标签训练相应的朴素贝叶斯分类器；筛选出候选聚类簇，根据所有候选聚类簇的类型，对新的引文记录分情况进行分类处理，综合使用朴素贝叶斯分类器计算所属概率进行分类，使用合著者相似度对所属概率方式分类进行补充判断，计算与第二类型聚类簇的语义相似度以解决无法使用朴素贝叶斯分类器进行概率分类的问题。本发明的作者消歧效果佳，而且计算开销低。
-
公开(公告)号：CN110362692A
公开(公告)日：2019-10-22
申请号：CN201910668329.8
申请日：2019-07-23
Applicant: 中南大学
Abstract: 本发明公开了一种基于知识图谱的学术圈构建方法，包括步骤：步骤1，获取所有学术论文信息和所有学术期刊信息，并作为初始数据源；步骤2，从初始数据源中抽取作者、论文和期刊这三种实体信息，构成实体数据集；步骤3，对实体数据集中同名的作者实体，基于相互之间的相似度进行同名消歧处理；步骤4，将同名消歧处理后得到的实体数据集存储在Neo4j图数据库中，形成实体节点；基于不同实体间的公共属性特征，为不同实体节点间建立关系边，最终得到基于知识图谱的学术圈。本发明构建的具有逻辑关系的学术圈，其数据精确度高，有利于用户迅速有效地获取到所需知识以及所需知识间的逻辑关系。
-
公开(公告)号：CN118898289A
公开(公告)日：2024-11-05
申请号：CN202411396668.2
申请日：2024-10-09
Applicant: 中南大学
IPC: G06N5/022 , G06F40/216 , G06F40/295 , G06N3/042 , G06N3/0455 , G06N3/08 , G06N7/01 , G06F16/36
Abstract: 本发明涉及临床医疗文本识别技术领域，涉及一种临床事件时序关系识别方法、介质及设备，识别方法包括：获取两个临床事件及其对应的原始临床文本；识别出两个临床事件中的医学实体；基于医学知识图谱搜索生成标准化实体子图；基于图注意力机制对两个标准化实体节点进行特征编码得到临床事件对的综合特征向量；计算两个临床事件对原始临床文本中各个句子的注意力权重；选取注意力权重最高的M个句子进行重组得到文本片段；基于CoT提示学习进行少样本学习得到可以输出两个临床事件间的时序关系的时序关系模型。本发明提高了时序关系的识别效率和处理复杂数据时的精确性，适用长文本的识别，采用CoT提示学习方法以充分激发模型的推理能力。
-
-
公开(公告)号：CN116415005A
公开(公告)日：2023-07-11
申请号：CN202310684297.7
申请日：2023-06-12
Applicant: 中南大学
IPC: G06F16/36 , G06N3/048 , G06N3/096 , G06F16/35 , G06F18/241
Abstract: 本发明公开了一种面向学者学术网络构建的关系抽取方法，包括如下步骤：步骤S1：构建包括至少两个教师模型的多教师模型，计算教师模型权重；步骤S2：构建学生模型，根据灵活温度计算蒸馏目标分布，计算知识蒸馏损失，结合知识蒸馏损失和远程监督损失计算总损失；步骤S3，进行关系抽取，学生模型进行训练，得到关系抽取模型，利用关系抽取模型对输入的数据集进行关系抽取。优点是，本发明考虑到样本的差异而设置灵活温度，使用样本在隐藏层和分类层的信息熵相对差值，尽可能保留样本的有效信息，并降低样本标签软化的不确定性；另外，本发明将多教师的思想引入到了关系抽取之中，通过构建不同教师的全局关系，以传播更丰富且有效的知识。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.014 seconds)
