-
公开(公告)号：CN113051904B
公开(公告)日：2022-11-18
申请号：CN202110430242.4
申请日：2021-04-21
Applicant: 东南大学
Abstract: 本发明公开了一种面向小规模知识图谱的链接预测方法，包括步骤：构造正负样例三元组；拼接三元组中实体、关系，将三元组转换为文本；使用BERT特征编码器编码该文本，获得文本中单词特征向量表示；采用多任务学习机制，分别构造句子级别特征、实体级别特征、三元组级别特征完成链接预测、关系分类、相关性排序的多任务学习。本发明实现小规模知识图谱的链接预测方法，将图谱中三元组转变为文本形式，学习图谱中文本语义信息，完成小规模知识图谱的链接预测任务；在三元组拼接文本中增加实体标识符，扩充BERT模型字典，捕获文本中实体特征；采用多任务学习机制完成链接预测、关系分类、相关性排序三种关联任务，进而提升链接预测任务效果。
-
公开(公告)号：CN111160621B
公开(公告)日：2022-06-14
申请号：CN201911248679.5
申请日：2019-12-06
Applicant: 江苏方天电力技术有限公司 , 东南大学
Abstract: 本发明公开了一种融合多源信息的短期风电功率预测方法，包括以下步骤：(1)样本生成步骤，依据数值天气预报数据和风电功率序列数据，构造训练样本；(2)特征提取和特征融合步骤，对样本生成步骤构造的训练样本进行特征提取和融合；(3)功率预测步骤，将特征提取和特征融合步骤得到的特征编码通过多层感知机获取其对应时刻的预测功率输出，即最终预测结果。本发明相比传统的风电功率预测方法，通过融合天气预报数据，历史风电功率数据，进而捕获历史功率数据中隐含的周期性特征、挖掘数值天气预报数据的时序特征，建模不同风机的差异性特征，具有更高的预测精度。
-
公开(公告)号：CN113837384A
公开(公告)日：2021-12-24
申请号：CN202110955878.0
申请日：2021-08-19
Applicant: 东南大学
Abstract: 本发明公开了一种基于深度交互推理模型的事实检测方法，包括：使用BERT模型对证据和陈述分别进行编码；通过多头映射机制抽取证据的语义信息，并将其保存到记忆池中；计算陈述与每条证据之间的语义关系；基于注意力机制获取证据集合的整体表示，并计算陈述和证据整体表示之间的推理关系；将推理结构升级为多层结构，对推理关系进行迭代式地更新；利用更新后的证据表示对陈述的真实性进行判断。本发明方法中的多头映射机制能够从不同角度抽取证据的语义信息；记忆池结构赋予模型处理“多跳”问题的能力；多层推理结构能够深层次挖掘证据和陈述之间的推理关系。相比于其他方法，本发明方法在UKP‑Snopes数据集上具有更好的预测效果。
-
公开(公告)号：CN110059160B
公开(公告)日：2021-02-09
申请号：CN201910306552.8
申请日：2019-04-17
Applicant: 东南大学
IPC: G06F16/33 , G06F16/332 , G06N3/04
Abstract: 本发明公开了一种端到端的基于上下文的知识库问答方法及装置，考虑了知识库中实体和关系的连接关系，使得其包含的实体链接和关系预测两个任务相互促进，共同提升。方法主要包括：对问题进行预处理，去除特殊符号；基于知识库构建与问题相关的候选实体集合，并根据候选实体在知识库中相关联的关系构建候选关系集合；对于每个候选集合中的每个实体，抽取实体在问题中的上下文；对候选关系进行不同粒度的划分；基于CERM模型预测主语实体和谓语关系；利用预测的主语实体和关系在知识库中找到宾语实体作为答案返回。本发明将知识库问答中的实体链接与关系预测融入一个统一的预测模型中，实现了主语实体和关系的联合预测，提高了问答的准确率。
-
公开(公告)号：CN111160621A
公开(公告)日：2020-05-15
申请号：CN201911248679.5
申请日：2019-12-06
Applicant: 江苏方天电力技术有限公司 , 东南大学
Abstract: 本发明公开了一种融合多源信息的短期风电功率预测方法，包括以下步骤：(1)样本生成步骤，依据数值天气预报数据和风电功率序列数据，构造训练样本；(2)特征提取和特征融合步骤，对样本生成步骤构造的训练样本进行特征提取和融合；(3)功率预测步骤，将特征提取和特征融合步骤得到的特征编码通过多层感知机获取其对应时刻的预测功率输出，即最终预测结果。本发明相比传统的风电功率预测方法，通过融合天气预报数据，历史风电功率数据，进而捕获历史功率数据中隐含的周期性特征、挖掘数值天气预报数据的时序特征，建模不同风机的差异性特征，具有更高的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN105955955A
公开(公告)日：2016-09-21
申请号：CN201610292680.8
申请日：2016-05-05
Applicant: 东南大学
IPC: G06F17/27
CPC classification number: G06F17/274 , G06F17/2705
Abstract: 本发明公开了一种基于纠错输出编码的无需消歧的无监督词性标注方法，包括两个主要步骤：(1)基于词性字典生成训练数据。(2)基于纠错输出编码进行训练与测试。本发明不需标注语料，可以应用于不易获得标注语料的语言的词性标注问题；不需消歧，避免了迭代式消歧过程中的错误传播问题；采用神经语言模型自动生成训练和测试使用的特征，避免了手动选取和构建特征。
-
公开(公告)号：CN111325027B
公开(公告)日：2023-04-28
申请号：CN202010102417.4
申请日：2020-02-19
Applicant: 东南大学
IPC: G06F40/289 , G06F40/30 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种面向稀疏数据的个性化情感分析方法与装置，通过对具有相似打分习惯的用户分组，利用分组信息来增强用户表示，实现个性化的情感分析。本方法包括：文档预处理；使用基于深度神经网络的基础情感分析模型计算得到情感打分基础；使用基于群组的个性化分析模型计算得到情感打分偏移和波动；结合情感打分基础和情感打分偏移计算最终情感打分。本方法相比之前的个性化情感分析方法，可以在用户文本数据稀疏的情况下学习得到良好的用户表示，在个性化情感分析中，可以有效地对用户建模，更准确地进行个性化情感分析。
-
公开(公告)号：CN115809314A
公开(公告)日：2023-03-17
申请号：CN202211448380.6
申请日：2022-11-18
Applicant: 东南大学
IPC: G06F16/33 , G06F16/332 , G06F40/30 , G06F16/35 , G06N3/08 , G06N3/0442 , G06N3/04
Abstract: 本发明公开了基于双层多门控专家混合模型(MMOE)的多任务NL2SQL方法，包括以下步骤：步骤1编码层构建步骤，用于获取问题和表模式的嵌入表示；步骤2多门控循环神经网络混合层构建步骤，用于利用多门控专家混合模型，进一步提取不同类型的语义信息，步骤3多门控注意力池化混合层构建步骤，用于利用多门控专家混合模型，获取不同子任务下的问题的向量表示；步骤4子任务学习层构建步骤，用于对各项子任务进行预测；步骤5多任务NL2SQL模型训练步骤，用于构建损失函数，构建优化函数。本发明在查询匹配正确率上的提升尤为显著，说明本发明的模型对于NL2SQL的数据集有着显著的效果提升。
-
公开(公告)号：CN115796029A
公开(公告)日：2023-03-14
申请号：CN202211502427.2
申请日：2022-11-28
Applicant: 东南大学
IPC: G06F30/27 , G06F16/242 , G06F18/24 , G06N3/0442 , G06N3/08 , G06F111/08 , G06F111/04
Abstract: 本发明公开了基于显式及隐式特征解耦的NL2SQL方法，包括以下步骤：(1)构建特定子模块专家系统的步骤；(2)结合多次随机失活和专家系统步骤；(3)构建多次随机失活和专家系统专用损失函数的步骤；(4)训练不同子系统进行显式解耦步骤，包括将不同子系统之间进行分别训练；(5)构建子系统输出显式特征耦合专家系统编码模型，包括构建子系统输出显式特征耦合专家系统编码模型，用于整合不同子系统输出；(6)训练最终耦合的NL2SQL方法模型步骤，用于得到最终耦合完成的模型。本发明的实验结果，显示本发明的方法较之以往的模型在逻辑准确率方面有了很大的提升，本发明的模型对于NL2SQL任务有着显著的效果提升。
-
公开(公告)号：CN111160620B
公开(公告)日：2022-06-17
申请号：CN201911247976.8
申请日：2019-12-06
Applicant: 江苏方天电力技术有限公司 , 东南大学
Abstract: 本发明公开了一种基于端到端记忆网络的短期风电功率预测方法，包括如下步骤：采集风电场数据；将采集的风电场数据划分为历史数据、被预测多节点天气数据和功率数据，并对历史数据和被预测多节点天气数据进行归一化处理；利用多头自注意力机制模型对历史数据进行编码，将编码后的特征向量存入端到端记忆网络的记忆池；采用注意力机制对被预测多节点天气数据进行编码，并将编码结果作为端到端记忆网络的输入向量；将功率数据作为端到端记忆网络的输出向量进行端到端记忆网络的训练；使用训练好的端到端记忆网络对风机输出功率进行预测。本发明方法相比以往短期风电功率预测方法，能够关注到历史数据中隐含的信息，具有更高的预测精度和稳定性。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.019 seconds)
