-
公开(公告)号：CN114153994A
公开(公告)日：2022-03-08
申请号：CN202210117277.7
申请日：2022-02-08
Applicant: 北京大学
IPC: G06F16/36 , G06F16/332 , G06F16/33 , G06Q40/08
Abstract: 本发明提供一种医保信息问答方法及装置，应用于智能问答技术领域，其中方法包括：获取用户咨询问题；对所述用户咨询问题进行关键词提取，确定所述用户咨询问题对应的待查询实体和/或待查询关系；基于所述待查询实体和/或待查询关系，在医保信息知识图谱中进行检索，得到所述待查询实体和/或待查询关系对应的候选三元组；所述医保信息知识图谱是基于医保信息文本构建的；基于所述候选三元组，确定所述用户咨询问题对应的答案。本发明提供的方法及装置，提高了对医保信息进行查询的准确性以及查询效率，提高了医保信息文本的利用率，提高了用户进行医疗咨询的服务体验。
-
公开(公告)号：CN111666734B
公开(公告)日：2021-08-10
申请号：CN202010334370.4
申请日：2020-04-24
Applicant: 北京大学
IPC: G06F40/117 , G06F40/289 , G06F40/205 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供一种序列标注方法及装置。其中，方法包括：获取待分析的句子；将待分析的句子输入至序列标注模型，输出句子的分词结果及每个词的标注结果；其中，序列标注模型是基于样本句子及样本句子对应的分词和标注数据进行基于强化学习的训练获得的。本发明实施例提供的序列标注方法及装置，通过强化学习技术隐式地学习文本的分词信息，能缓解中文序列标注中分词与目标的不匹配。
-
公开(公告)号：CN119848825A
公开(公告)日：2025-04-18
申请号：CN202411601713.3
申请日：2024-11-11
Applicant: 北京大学
Abstract: 本发明提供一种基于图大模型的区块链系统高中心性智能合约识别方法，包括：以区块链系统中的各智能合约为节点，以各智能合约间的实时调用关系为边，构建智能合约调用图，确定对应的邻接矩阵；对每一节点的源代码进行解释，得到每一节点的代码解释文本，对每一节点的代码解释文本和原始描述文本进行向量化处理，得到每一节点的代码语义特征向量和原始描述特征向量；将其融合，得到每一节点的第一融合特征向量；将每一节点的第一融合特征向量和邻接矩阵输入至预先构建的图注意力网络，得到图注意力网络输出的每一节点的嵌入向量；基于每一节点的嵌入向量和邻接矩阵，识别高中心性智能合约。本发明提高了高中心性智能合约识别的效率和准确性。
-
公开(公告)号：CN114357144B
公开(公告)日：2022-08-09
申请号：CN202210221233.9
申请日：2022-03-09
Applicant: 北京大学
IPC: G06F16/332 , G06F40/216 , G06K9/62 , G16H50/70 , G06F40/289
Abstract: 本发明提供一种基于小样本的医疗数值抽取和理解方法及装置，该方法包括：基于正则化表达式，对目标医疗文本进行数值抽取；基于prompt函数，获取每一数值对应的问句；将每一数值对应的问句和所述目标医疗文本输入问答模型中，得到每一数值对应的属性信息；其中，每一数值对应的属性信息为每一数值对应的问句的答案；所述问答模型，基于第一数量的其他类的第一样本文本、第一样本问句和第一样本问句对应的真实答案，以及第二数量的医疗类的第二样本文本、第二样本问句和第二样本问句对应的真实答案进行训练获取；所述第一数量大于第二数量。本发明实现在节约医疗类标注数据资源的同时，达到较好的数值抽取和属性信息抽取效果。
-
公开(公告)号：CN114329455B
公开(公告)日：2022-07-29
申请号：CN202210218182.4
申请日：2022-03-08
Applicant: 北京大学
Abstract: 本发明提供一种基于异构图嵌入的用户异常行为检测方法及装置，该基于异构图嵌入的用户异常行为检测方法包括：获取用户的操作日志信息；从所述操作日志信息中获取多个类别节点数据，并基于多个所述类别节点数据，确定用户异构图；基于所述用户异构图，确定嵌入映射信息；基于所述操作日志信息和所述嵌入映射信息，确定用户行为属性。本发明提供的基于异构图嵌入的用户异常行为检测方法及装置，能够根据多个从操作日志信息中得到的类别节点数据构建用户异构图，从用户异构图中确定嵌入映射信息，根据操作日志信息和嵌入映射信息，确定用户行为属性，能够提高用户异常行为检测的准确率和效率，实现对异常行为的及时检测。
-
Patent Agency Ranking
公开(公告)号：CN114169869A
公开(公告)日：2022-03-11
申请号：CN202210131714.0
申请日：2022-02-14
Applicant: 北京大学
Abstract: 本发明提供一种基于注意力机制的岗位推荐方法及装置，包括：确定目标个体的目标任职序列；将目标任职序列输入至岗位预测模型，获取由岗位预测模型输出的目标个体在每个预设岗位的任职概率；根据所有的任职概率，在所有的预设岗位中确定目标个体的推荐岗位；岗位预测模型是基于注意力机制构建的；岗位预测模型是基于样本任职序列，以及样本任职序列对应的样本预测岗位训练后得到的。本发明提供的基于注意力机制的岗位推荐方法及装置，利用带有注意力机制的岗位预测模型根据目标个体的任职序列，对目标个体下一次在每个预设岗位任职的概率进行预测，使得预测的岗位更加准确，与人员的符合度更高。
-
公开(公告)号：CN111666774A
公开(公告)日：2020-09-15
申请号：CN202010334379.5
申请日：2020-04-24
Applicant: 北京大学
IPC: G06F40/58 , G06F40/30 , G06F40/205
Abstract: 本发明实施例提供一种基于文档上下文的机器翻译方法及装置，方法包括：基于句子级Encoder获取当前句子的源端上下文表征、目标端上下文草稿表征和当前句子的草稿译文表征；基于文档级Encoder获取当前句子的源端句子表征，在源端句子表征中融合源端上下文表征，获取融合后的所述源端句子表征；基于文档级Decoder获取所述当前句子的目标端句子表征，在目标端句子表征中融合当前句子的草稿译文表征和目标端上下文草稿表征，根据融合后的目标端句子表征和融合后的源端句子表征，获取当前句子的最终翻译结果。本发明实施例引入文档级信息进行上下文知识推理，以此对句子级别的草稿译文进行修正，改善了翻译质量，得到更好的译文。
-
公开(公告)号：CN117688198B
公开(公告)日：2024-07-05
申请号：CN202410148264.5
申请日：2024-02-02
Applicant: 北京大学
IPC: G06F16/583 , G06F16/58 , G06N3/0455 , G06N3/0464 , G06N3/096 , G06T7/73
Abstract: 本发明涉及视觉识别技术领域，提供一种基于预训练模型的视觉定位方法，所述预训练模型包括图像编码器和文本编码器，该方法包括：接收待查询语句和给定图像；利用所述图像编码器获取所述给定图像的一维特征，记为第一特征；利用所述文本编码器获取所述待查询语句的一维特征，记为第二特征；利用所述第一特征、第二特征作为软标签引导所述给定图像和所述待查询语句的标记化表达的开始位置，并引导位置标记的学习；基于所述位置标记预测视觉对象定位边框。本发明通过融合图像、语句双模态特征融合以及通过多模态蒸馏损失的计算能够实现多模态之间的知识迁移，解决了模态领域之间的差距问题，进而提高预测性能。
-
公开(公告)号：CN111666761B
公开(公告)日：2022-12-09
申请号：CN202010404188.1
申请日：2020-05-13
Applicant: 北京大学
IPC: G06F40/289 , G06F40/211 , G06N20/00
Abstract: 本发明实施例提供一种细粒度情感分析模型训练方法及装置，所述方法包括：获取带有情感标记以及方面词的文本信息；对文本信息中的每条语句进行分词处理，获取每条语句中每个词的上下文词向量，根据每个词的上下文词向量以及方面词的词向量得到文本信息中每条语句对应的语句向量；根据每条语句对应的语句向量获取每条语句的上下文语句向量，并获取每条语句基于方面词的语句权重，根据上下文语句向量与语句权重得到文本信息的文本向量；将文本向量、情感标记、以及方面词输入到循环神经网络，训练得到神经网络模型。采用本方法能够对文本数据的细粒度的各种方面情感类型进行识别，进而也提高了情感识别的准确率。
-
公开(公告)号：CN114358657B
公开(公告)日：2022-08-12
申请号：CN202210221387.8
申请日：2022-03-09
Applicant: 北京大学
IPC: G06Q10/06 , G06K9/62 , G06F16/9535
Abstract: 本发明提供一种基于模型融合的岗位推荐方法及装置，包括：将目标个体的目标任职序列输入至少一个基础预测模型，获取由各基础预测模型生成的目标评分矩阵；将所有的目标评分矩阵和目标个体的目标特征表进行拼接融合，确定目标融合特征并输入至岗位匹配模型，确定由岗位匹配模型输出的至少一个推荐岗位。本发明提供的基于模型融合的岗位推荐方法及装置，通过把特征表与两个基础预测模型生成的中间数据做融合，再将特征表输入至岗位匹配模型中，实现对目标个体下一次在每个预设岗位任职的概率进行预测，在召回率和归一化折损累计增益更高，使得预测的岗位更加准确，与人员的符合度更高。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.038 seconds)
