-
公开(公告)号:CN114053712B
公开(公告)日:2022-04-22
申请号:CN202210048175.4
申请日:2022-01-17
Applicant: 中国科学院自动化研究所
IPC: A63F13/55 , A63F13/837 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种虚拟对象的动作生成方法、装置及设备,其中,所述方法包括:获取多个虚拟对象的特征信息,所述多个虚拟对象属于同一组;将所述多个虚拟对象的特征信息映射成一个总虚拟对象的特征信息;根据所述总虚拟对象的特征信息,获得所述多个虚拟对象中每个虚拟对象的第一策略动作;根据所述每个虚拟对象的第一策略动作,生成相应虚拟对象的第二策略动作;控制所述每个虚拟对象执行相应的所述第二策略动作。通过上述方式,本发明可以提高训练效率、简化操作流程,同时还可以实现智能控制多个虚拟对象动作的协同性,从而使一组的多个虚拟对象在对抗对手的过程中表现出动作之间的协同性,基于虚拟场景中的预设目标不断优化该多个虚拟对象的博弈结果。
-
公开(公告)号:CN114327916A
公开(公告)日:2022-04-12
申请号:CN202210232543.0
申请日:2022-03-10
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种资源分配系统的训练方法、装置及设备,其中,所述方法包括:封装第一算法和第一仿真引擎,得到初始模型的第一执行程序;基于所述初始模型运行所述第一执行程序,生成至少一组态势数据;针对所述至少一组态势数据中的每一组态势数据执行训练操作,直到所述至少一组态势数据对应的执行结果均满足相应条件,得到所述资源分配系统。通过上述方式,本发明建立了一个可扩展可复用的资源分配系统,该资源分配系统能够实现多目标多资源动态分配的智能决策。
-
公开(公告)号:CN104408153B
公开(公告)日:2018-07-31
申请号:CN201410729347.X
申请日:2014-12-03
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明公开了种基于多粒度主题模型的短文本哈希学习方法,采用外部大规模语料库训练候选主题模型,可依据数据集类型选择最优的多粒度主题特征,并赋予权重,由该方法选择出来的多粒度主题模型有较好的区分度,在构建稀疏短文本间相似语义关联的同时有助于哈希函数学习;本发明方法采用了两种基于多主题模型的哈希学习策略,分别为多粒度主题特征融合、哈希码学习同哈希函数训练相独立的学习方法,以及多粒度主题特征独立、哈希码学习同哈希函数训练相耦合的学习方法,较基于单粒度主题特征方法,在精度和召回率等多项测评指标上均有大幅度提升。
-
公开(公告)号:CN104391942B
公开(公告)日:2017-12-01
申请号:CN201410686237.X
申请日:2014-11-25
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明公开了一种基于语义图谱的短文本特征扩展方法,包括以下步骤:利用短文本训练数据集进行主题建模,抽取主题词分布;对主题词分布进行重排序;构建候选关键词词典和主题‑关键词语义图谱;基于链接分析的方法计算候选关键词和种子关键词的综合相似度评价,选择最相似的候选关键词完成对短文本的扩展。本发明方法较基于语言模型的短文本特征表示方法操作简单,执行效率高,而且充分利用关键词之间的语义关联信息,较传统的基于词袋模型的短文本特征表示方法,有效缓解了数据稀疏性问题和语义敏感性问题,不依赖于外部大规模辅助训练语料或者搜索引擎。
-
公开(公告)号:CN104657350B
公开(公告)日:2017-06-09
申请号:CN201510096518.4
申请日:2015-03-04
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供的融合隐式语义特征的短文本哈希学习方法,包括:将训练文本通过哈希损失函数进行降维二值化生成低维二值码;从训练文本中获取词特征和位置特征,根据词特征和位置特征通过查表获取对应的词向量和位置向量;将词向量和位置向量通过卷积神经网络模型进行耦合,得到训练文本的隐式语义特征;将低维二值码进行训练得到更新的卷积神经网络模型;利用更新的卷积神经网络模型对训练文本进行编码生成语义哈希码,并将查询文本通过卷积神经网络模型对语义哈希码进行映射生成查询文本的哈希码;查询文本的哈希码在二值汉明空间中对语义哈希码进行匹配,得到查询文本的语义相似文本。本发明可以获得查询文本的语义相似文本。
-
公开(公告)号:CN104834747A
公开(公告)日:2015-08-12
申请号:CN201510271672.0
申请日:2015-05-25
Applicant: 中国科学院自动化研究所
CPC classification number: G06F17/30705 , G06N3/02
Abstract: 本发明是一种基于卷积神经网络的短文本分类方法,该卷积神经网络共分五层:第一层,获取短文本中的多尺度候选语义单元;第二层,计算每一个候选语义单元与向量空间中所有词表示向量的欧式距离并找出最近邻的词表示,选择所有满足欧式距离预设阈值的最近邻词表示构建语义扩展矩阵;第三层,用多个不同宽度、不同权值的核矩阵分别对短文本的映射矩阵和语义扩展矩阵进行二维卷积运算提取局部卷积特征并生成多层局部卷积特征矩阵;第四层,对多层局部卷积特征矩阵进行下采样并得到多层全局特征矩阵,将所述全局特征矩阵进行非线性正切变换并转换为定长的语义特征向量;第五层,将语义特征向量赋予分类器,对短文本的类别进行预测。
-
公开(公告)号:CN114511086A
公开(公告)日:2022-05-17
申请号:CN202210138348.1
申请日:2022-02-15
Applicant: 中国科学院自动化研究所
IPC: G06N5/04 , G06N3/02 , A63F13/822
Abstract: 本发明公开了一种策略生成方法、装置及设备,其中,所述方法包括:选择预设的主策略风格对应的虚拟对象与对战方对战;预测所述对战方的对战策略风格,其中,所述对战策略风格为预设的至少三种策略风格中的一种,所述至少三种策略风格包括所述主策略风格和至少两种非主策略风格,所述至少三种策略风格两两之间存在克制关系;选择策略风格克制所述对战策略风格的虚拟对象与对战方对战;若未触发博弈结束规则,重复执行所述预测对战方的对战策略风格,选择策略风格克制所述对战策略风格的虚拟对象与对战方对战的步骤;若触发预设博弈结束规则,则博弈结束。通过上述方式,本发明增加了博弈的胜率。
-
公开(公告)号:CN104915386B
公开(公告)日:2018-04-27
申请号:CN201510270028.1
申请日:2015-05-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于深度语义特征学习的短文本聚类方法,包括:通过传统的特征降维在局部信息保存的约束下对原始特征进行降维表示,并对得到的低维实值向量进行二值化,做为卷积神经网络结构的监督信息进行误差反向传播训练模型;采用外部大规模语料无监督训练词向量,并对文本中每个词按词序进行向量化表示,做为卷积神经网络结构的初始化输入特征学习文本的隐式语义特征;得到深度语义特征表示后,采用传统的K均值算法对文本进行聚类。本发明的方法不需要额外的自然语言处理等专业知识,设计简单且可学习深度的语义特征,并且,学习到的语义特征具有无偏性,可更有效地达到较好的聚类性能。
-
公开(公告)号:CN104915448A
公开(公告)日:2015-09-16
申请号:CN201510372795.3
申请日:2015-06-30
Applicant: 中国科学院自动化研究所
CPC classification number: G06F17/30533 , G06N3/08
Abstract: 一种基于层次卷积网络的实体与段落链接方法,包括:利用卷积神经网络通过词向量化表示转化成句子向量化表示;利用句子向量化表示再次经过卷积神经网络并考虑所述句子次序信息得到段落向量化表示;句子向量化表示和段落向量化表示通过Softmax输出,借助已有实体作为监督信息进行所述卷积神经网络模型的训练;同时,考虑段落语义向量特征与实体语义向量特征之间的pair-wise相似度信息进一步改善卷积神经网络模型的训练;给定一个测试描述段落,利用训练好的神经网络模型进行深层语义特征抽取得到测试段落的向量化表示,然后基于此语义表示经过Softmax输出可直接链接到目标实体上。
-
公开(公告)号:CN104657350A
公开(公告)日:2015-05-27
申请号:CN201510096518.4
申请日:2015-03-04
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供的融合隐式语义特征的短文本哈希学习方法,包括:将训练文本通过哈希损失函数进行降维二值化生成低维二值码;从训练文本中获取词特征和位置特征,根据词特征和位置特征通过查表获取对应的词向量和位置向量;将词向量和位置向量通过卷积神经网络模型进行耦合,得到训练文本的隐式语义特征;将低维二值码进行训练得到更新的卷积神经网络模型;利用更新的卷积神经网络模型对训练文本进行编码生成语义哈希码,并将查询文本通过卷积神经网络模型对语义哈希码进行映射生成查询文本的哈希码;查询文本的哈希码在二值汉明空间中对语义哈希码进行匹配,得到查询文本的语义相似文本。本发明可以获得查询文本的语义相似文本。
-
-
-
-
-
-
-
-
-