-
公开(公告)号：CN111914156A
公开(公告)日：2020-11-10
申请号：CN202010819729.7
申请日：2020-08-14
Applicant: 中国科学院自动化研究所
IPC: G06F16/9532 , G06F16/532 , G06N3/04
Abstract: 本发明属于检索领域，具体涉及一种自适应标签感知的图卷积网络跨模态检索方法、系统，旨在为了解决解决现有跨模态检索方法中因忽略标签的底层语义结构带来的检索精准度不高的问题。本发明方法包括：基于第一子网络，获取输入信息的跨模态表示；基于分类器，获得所述输入信息的预测分类；其中，所述第一子网络，配置为对输入信息进行特征提取，并通过模态转换函数，映射到统一空间中，得到输入信息的跨模态表示；所述分类器，通过第二子网络生成；所述第二子网络，配置为基于标签与标签关系构造的图，获取该图的特征矩阵，并基于自适应关联矩阵，通过图卷积网络生成分类器。本发明可以更好地保留底层语义结构，缩小模态鸿沟，提高了跨模态检索的准确度。
-
公开(公告)号：CN110717098A
公开(公告)日：2020-01-21
申请号：CN201910890250.X
申请日：2019-09-20
Applicant: 中国科学院自动化研究所
IPC: G06F16/9535 , G06F16/9538
Abstract: 本发明属于用户建模与推荐系统领域，具体涉及一种基于元路径的上下文感知用户建模方法、序列推荐方法，旨在为了解决现有用户建模方法仅考虑用户历史行为的简单序列关系，无法捕获复杂的用户偏好；现有的推荐系统推荐的准确性不高，推荐的内容不具有多样性的问题。本发明将基于用户访问的项目序列获取局部兴趣表示，通过对异构网络建模得到上下文感知的全局兴趣表示，结合局部兴趣表示和全局兴趣表示得到用户的综合兴趣表示。基于用户综合兴趣表示和待预测项目，通过推荐模型得到推荐结果。本发明的用户建模方法能够更全面地捕捉用户兴趣，有利于提高推荐系统的准确率；基于元路径的上下文感知序列推荐方法，推荐准确率高，推荐内容更具多样性。
-
公开(公告)号：CN103020116A
公开(公告)日：2013-04-03
申请号：CN201210455018.1
申请日：2012-11-13
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明是一种在社交媒体网络上自动筛选有影响力用户的方法，包括步骤如下：步骤S1：利用超图模型为兴趣社交媒体网络中的用户、兴趣对象及其相互作用关系建模；步骤S2：采用超图约束的正则化主题概率模型，利用兴趣对象的内容信息和内容信息之间的相似性关系作为约束，自动学习得到隐含的兴趣主题；步骤S3：对每个用户和兴趣对象进行主题影响力排序，采用相似性传播模型及在超图上的用户和兴趣对象及相互之间的超边传播主题影响力，直到稳态，然后排序可得到特定主题下的有影响力的用户。本发明能够真实而准确地反映用户影响力在社交媒体网络中的分布。
-
公开(公告)号：CN110209897B
公开(公告)日：2023-09-01
申请号：CN201810144881.2
申请日：2018-02-12
Applicant: 腾讯科技(深圳)有限公司 , 中国科学院自动化研究所
IPC: G06F16/9032
Abstract: 本发明公开了一种智能对话方法、装置、存储介质及设备，属于人工智能技术领域。所述方法包括：接收目标终端发送的对话内容；获取发起对话的目标用户的用户特征信息；获取与所述对话内容存在内容关联的上下文信息；根据所述用户特征信息以及所述上下文信息，检索与所述对话内容相匹配的目标回复内容；将所述目标回复内容发送给所述目标终端。本发明实现了基于用户发起的对话内容、与该对话内容相关联的上下文信息以及用户特征信息，来寻找与该对话内容相匹配的最佳回复，该种智能对话方式更加符合真实场景中不同用户之间以及同一用户多轮对话的聊天需求，使得人机对话聊天过程更加自然，显著地提升了人与机器之间的对话质量。
-
公开(公告)号：CN115640805A
公开(公告)日：2023-01-24
申请号：CN202211117555.5
申请日：2022-09-14
Applicant: 中国科学院自动化研究所
IPC: G06F40/295 , G06V10/80 , G06V10/82 , G06F18/25 , G06N3/0499 , G06N3/08
Abstract: 本发明提供一种命名实体识别方法、装置、电子设备及存储介质，其中命名实体识别方法包括：获取待识别医学文本及与待识别医学文本关联的医学图像；将医学文本及医学图像输入至命名实体识别模型的编码器，得到多层文本编码特征及多层图像编码特征；将多层文本编码特征及多层图像编码特征进行特征融合处理，得到目标融合特征；将目标融合特征输入至命名实体识别模型的解码器，得到实体识别结果。通过上述方法，利用双模态的命名实体识别模型进行命名实体识别，同时将不同层次的文本编码特征与图像编码特征进行融合，提高了实体识别的准确率。
-
Patent Agency Ranking
公开(公告)号：CN110717098B
公开(公告)日：2022-06-24
申请号：CN201910890250.X
申请日：2019-09-20
Applicant: 中国科学院自动化研究所
IPC: G06F16/9535 , G06F16/9538
Abstract: 本发明属于用户建模与推荐系统领域，具体涉及一种基于元路径的上下文感知用户建模方法、序列推荐方法，旨在为了解决现有用户建模方法仅考虑用户历史行为的简单序列关系，无法捕获复杂的用户偏好；现有的推荐系统推荐的准确性不高，推荐的内容不具有多样性的问题。本发明将基于用户访问的项目序列获取局部兴趣表示，通过对异构网络建模得到上下文感知的全局兴趣表示，结合局部兴趣表示和全局兴趣表示得到用户的综合兴趣表示。基于用户综合兴趣表示和待预测项目，通过推荐模型得到推荐结果。本发明的用户建模方法能够更全面地捕捉用户兴趣，有利于提高推荐系统的准确率；基于元路径的上下文感知序列推荐方法，推荐准确率高，推荐内容更具多样性。
-
公开(公告)号：CN109582783B
公开(公告)日：2020-10-02
申请号：CN201811260532.3
申请日：2018-10-26
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及计算机技术领域，具体涉及一种热点话题检测方法。本发明的热点话题检测方法包括：基于预设实体知识库提取目标文本的关键句作为目标文本的摘要；使用LSH算法计算摘要的文档指纹；基于KNN算法对文档指纹进行聚类分析以确定目标文本的话题类别。本发明的热点话题检测方法是基于实体知识库中的实体对目标文本的句子进行评估，根据评估结果提取目标文本关键句作为摘要，通过这种方式可以使得提取出的摘要能够与具体应用场景紧密结合的同时还能保留更多的话题信息，进而保证后续文档聚类的精度，实现高质量的话题检测功能。
-
公开(公告)号：CN103020116B
公开(公告)日：2015-12-16
申请号：CN201210455018.1
申请日：2012-11-13
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明是一种在社交媒体网络上自动筛选有影响力用户的方法，包括步骤如下：步骤S1：利用超图模型为兴趣社交媒体网络中的用户、兴趣对象及其相互作用关系建模；步骤S2：采用超图约束的正则化主题概率模型，利用兴趣对象的内容信息和内容信息之间的相似性关系作为约束，自动学习得到隐含的兴趣主题；步骤S3：对每个用户和兴趣对象进行主题影响力排序，采用相似性传播模型及在超图上的用户和兴趣对象及相互之间的超边传播主题影响力，直到稳态，然后排序可得到特定主题下的有影响力的用户。本发明能够真实而准确地反映用户影响力在社交媒体网络中的分布。
-
公开(公告)号：CN110895561B
公开(公告)日：2022-04-01
申请号：CN201911103544.X
申请日：2019-11-13
Applicant: 中国科学院自动化研究所
IPC: G06F16/332 , G16H80/00
Abstract: 本发明属于信息检索与问答系统领域，具体涉及了一种基于多模态知识感知的医疗问答检索方法、系统、装置，旨在解决现有医疗问答系统无法理解检索词的内涵导致检索准确率低的问题。本发明方法包括：构建多模态医疗知识图谱，获取用户问题对应的备选答案集合；对问题与备选答案进行文本编码，并提取问题与备选答案的实体；通过路径编码获取问题实体到备选答案实体的路径表示；通过医疗问答检索模型获取问题到各备选答案的交互表示；通过多层感知机分别获取问题到各备选答案的匹配分数；最大匹配分数对应的备选答案为检索答案。本发明有效地将知识图谱语义信息应用到医疗问答中，构建问题与答案对之间的交互，提高了检索得到的回答的精确度与准确性。
-
公开(公告)号：CN111914156B
公开(公告)日：2023-01-20
申请号：CN202010819729.7
申请日：2020-08-14
Applicant: 中国科学院自动化研究所
IPC: G06F16/9532 , G06F16/532 , G06N3/04
Abstract: 本发明属于检索领域，具体涉及一种自适应标签感知的图卷积网络跨模态检索方法、系统，旨在为了解决解决现有跨模态检索方法中因忽略标签的底层语义结构带来的检索精准度不高的问题。本发明方法包括：基于第一子网络，获取输入信息的跨模态表示；基于分类器，获得所述输入信息的预测分类；其中，所述第一子网络，配置为对输入信息进行特征提取，并通过模态转换函数，映射到统一空间中，得到输入信息的跨模态表示；所述分类器，通过第二子网络生成；所述第二子网络，配置为基于标签与标签关系构造的图，获取该图的特征矩阵，并基于自适应关联矩阵，通过图卷积网络生成分类器。本发明可以更好地保留底层语义结构，缩小模态鸿沟，提高了跨模态检索的准确度。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.03 seconds)
