-
公开(公告)号：CN115934752A
公开(公告)日：2023-04-07
申请号：CN202211585614.1
申请日：2022-12-09
Applicant: 北京中科闻歌科技股份有限公司
Abstract: 本发明提供了一种构建检索模型的方法、电子设备和存储介质，包括：获取目标文本的目标文本词向量，获取目标文本对应的候选代表词集合和候选随机词集合，将目标文本词集合与候选代表词集合和候选随机词集合分别进行拼接，输入到量子概率注意力值模型，获取对应的注意力值，将注意力值分别输入多层感知机，获取候选代表词为代表词的概率和候选随机词为代表词的概率，基于候选代表词为代表词的概率和候选随机词为代表词的概率，最小化两者的损失函数，获取目标检索模型；从而取得更好的检索效果。
-
公开(公告)号：CN115713427A
公开(公告)日：2023-02-24
申请号：CN202211408253.3
申请日：2022-11-10
Applicant: 北京中科闻歌科技股份有限公司
IPC: G06Q40/12
Abstract: 本公开涉及一种新迁入企业税前税源管理方法、装置、设备及存储介质。本公开实施例，通过获取新迁入企业的第一经营纳税数据以及与新迁入企业存在关联关系的其他企业的第二经营纳税数据；对第一经营纳税数据进行特征提取处理，得到新迁入企业的纳税异常特征向量；确定各关联关系对应的新迁入企业所属的企业社区以及社区特征向量；基于纳税异常特征向量和社区特征向量得到新迁入企业对应的税前监控特征向量；将税前监控特征向量输入预设的新迁入企业税前监控模型，基于企业税前监控模型对新迁入企业进行税前监控，可以在海量新迁入企业的税前税源管理中对异常新迁入企业进行精准稳定地的识别与预警，提高对异常税源预警响应的时效性和准确性。
-
公开(公告)号：CN115271892A
公开(公告)日：2022-11-01
申请号：CN202210547647.0
申请日：2022-05-18
Applicant: 北京中科闻歌科技股份有限公司
IPC: G06Q40/00 , G06F16/2458 , G06F16/2457 , G06N3/04 , G06N3/08 , G06Q50/26
Abstract: 本公开实施例提供了一种骗取留抵退税识别模型的构建方法、装置、设备和存储介质。骗取留抵退税识别模型构建方法包括获取多个样本退税申请数据序列和对应的实体标签；基于样本退税申请数据序列确定对应的第一特征向量；基于多个第一特征向量和对应的实体标签对预先构建的骗取留抵退税识别模型进行训练。骗取留抵退税识别模型构建方法能够直接挖掘样本退税申请数据的特征构建骗取留抵退税识别模型，而无需如现有专家评价指标体系的方法需要依靠专家经验设定评价指标、指标权重和指标阈值的问题。
-
公开(公告)号：CN115248857A
公开(公告)日：2022-10-28
申请号：CN202211026146.4
申请日：2022-08-25
Applicant: 北京中科闻歌科技股份有限公司 , 航空工业信息中心 , 中国科学院自动化研究所
Abstract: 本公开涉及一种多语言观点摘要生成方法、装置、设备、系统及存储介质。该方法包括：获取待处理的多个目标文本；对多个目标文本进行跨语言文本表征处理，得到各个目标文本对应的多个通用表征向量；基于多个通用表征向量，提取各个目标文本中的至少一个观点句；基于观点句，生成多个目标文本对应的多个观点摘要。根据本公开实施例，无需依赖机器翻译工具对不同的语言对应的多媒体内容先进行翻译再生成观点摘要，对于海量的多语言目标文本，降低了观点摘要的生成成本，同时，生成的观点摘要不受机器翻译准确性的影响，因此，提高了多语言观点摘要生成的准确性，有利于推广应用。
-
公开(公告)号：CN114281944B
公开(公告)日：2022-08-23
申请号：CN202111619353.6
申请日：2021-12-27
Applicant: 北京中科闻歌科技股份有限公司
IPC: G06F16/33 , G06F40/289 , G06F16/242 , G06N3/08
Abstract: 本申请实施例提供一种文档匹配模型的构建方法、装置、电子设备及存储介质，其中，该方法包括：步骤一，获取查询词汇特征集合和文档特征集合；步骤二，获得查询词汇特征集合和文档特征集合的相关性特征值；步骤三，获得文档特征集合中每个文档特征与查询词汇特征集合的第一匹配值，选取第一匹配值最大的文档特征；步骤四，获得第二文档特征；步骤五，将候选文档特征集合作为新的候选文档特征集合，将第二文档特征作为新的第一文档特征，重复步骤四；步骤六，根据有序文档特征集合和文档特征集合获得损失函数，并根据损失函数构建匹配模型。实施本申请实施例，使得匹配模型可以引入认知层面的相关性特征，提高了匹配模型的准确率和检索性能。
-
Patent Agency Ranking
公开(公告)号：CN114841353A
公开(公告)日：2022-08-02
申请号：CN202210460271.X
申请日：2022-04-28
Applicant: 天津大学 , 北京中科闻歌科技股份有限公司
IPC: G06N10/60 , G06F40/211 , G06F40/30
Abstract: 本发明公开了一种融合句法信息的量子语言模型建模方法，该方法从表示句子的量子系统入手，在模型中引入句法结构信息，以提高量子语言模型的建模能力，包括数据的预处理及句法结构生成模块、句法指导的单词表示模块、语义和语法信息融合的句子表达模块；所述数据的预处理及句法结构生成模块将句子处理成句法结构树的形式；句法指导的词向量表达模块利用每个句子的依存信息，训练单词的词向量表达；语义和语法信息融合的句子表达模块将上一步生成的词向量转换为密度矩阵，进一步得到句法指导的句子表达，以用于下游任务的训练；本发明基于句法结构树重构密度矩阵的生成与表达，利用依存关系建模了句子的词项依赖。
-
公开(公告)号：CN114691866A
公开(公告)日：2022-07-01
申请号：CN202210225366.3
申请日：2022-03-09
Applicant: 航空工业信息中心 , 北京中科闻歌科技股份有限公司 , 中国科学院自动化研究所
Abstract: 本公开实施例涉及一种面向多级标签的文本分类方法、装置、设备及存储介质。本公开实施例通过获取文本以及文本中关键词对应的标签；基于预设的面向多级标签的文本分类模型中的文本编码模型对文本进行编码处理，得到文本的特征向量，文本的特征向量对文本的关键词进行敏感表征，基于预设的面向多级标签的文本分类模型中的标签编码模型，对标签进行编码处理，得到标签的向量；分别计算文本的特征向量与每个标签的向量之间的余弦相似度；将余弦相似度大于预设阈值的标签确定为文本的标签。通过对文本和现有类别标签进行编码处理和余弦相似度计算处理，选择出文本内容相匹配的标签，可减轻对人工标注标签的依赖，降低人工标注和标签体系的维护成本，提高标签标注的准确率，使文本分类结果更准确。
-
公开(公告)号：CN114528417A
公开(公告)日：2022-05-24
申请号：CN202210377444.1
申请日：2022-04-12
Applicant: 北京中科闻歌科技股份有限公司
IPC: G06F16/36 , G06F40/295 , G06F40/30
Abstract: 本公开涉及一种知识图谱本体构建方法、装置、设备及可读存储介质。本公开通过基于文本语料获取文本领域本体候选集，并基于图像数据获取图像领域本体候选集，基于文本领域本体候选集中文本领域本体的本体概念词，确定文本领域本体的层次结构，基于图像领域本体候选集中图像领域本体的图像语义标签，确定图像领域本体的层次结构。进而基于文本领域本体候选集、文本领域本体的层次结构、图像领域本体候选集和图像领域本体的层次结构，确定包含文本领域本体和图像领域本体的知识图谱本体，实现了对文本和图像等多模态数据的知识本体分类别、分层次的构建。
-
公开(公告)号：CN114492420A
公开(公告)日：2022-05-13
申请号：CN202210340732.X
申请日：2022-04-02
Applicant: 北京中科闻歌科技股份有限公司
IPC: G06F40/284 , G06F40/289 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本公开涉及一种文本分类方法、装置、设备及计算机可读存储介质，该方法包括：对待分类的文本进行分词处理，得到文本中包含的词汇；从预设的语义库中查找词汇对应的语义，以及语义在语义库中的位置，得到语义的位置向量；响应于词汇对应的语义有多个，基于词汇在所述文本中的上下文，确定词汇对应的每个语义的权重；基于词汇对应的每个语义的权重，对词汇对应的多个语义的位置向量进行加权叠加处理，得到词汇的特征向量；基于文本中包含的词汇的特征向量，确定文本的特征向量；基于文本的特征向量对文本进行分类。通过上述技术方案，将文本转化到量子领域进行处理，减少计算成本的同时，提升了文本的分类准确率，提升用户的使用体验。
-
公开(公告)号：CN113672731A
公开(公告)日：2021-11-19
申请号：CN202110881327.4
申请日：2021-08-02
Applicant: 北京中科闻歌科技股份有限公司
Abstract: 本公开实施例涉及一种基于领域信息的情感分析方法，该方法包括：对待分析的文本信息进行预处理，并获取领域信息；将待分析的文本信息输入到预先融合有领域信息的情感分类模型中，获取文本信息的情感类别；融合有领域信息的情感分类模型包括：全局情感语义模型、每一个领域的局部情感语义模型和对应每一个领域的情感融合策略；其中，基于与领域信息匹配的局部情感语义模型，获取局部情感概率值；基于全局情感语义模型，获取全局情感概率值；基于与领域信息匹配的情感融合策略，对局部情感概率值和全局情感概率值进行融合，获得融合结果；基于融合结果获取情感类别。通过本方法进行文本情感分析，分类效果更好，大大提高了分析结果的准确率。
-
-
-
-
-
-
-
-
-
Search Results
282
records
(took 0.079 seconds)
