-
公开(公告)号：CN110232113B
公开(公告)日：2021-03-26
申请号：CN201910292426.1
申请日：2019-04-12
Applicant: 中国科学院计算技术研究所
IPC: G06F16/332 , G06F16/33 , G06F40/295
Abstract: 本发明提出一种提高知识库问答准确度的方法及系统，包括：获取待回答的用户问句，提取该用户问句中的主题实体，以该主题实体检索知识库，将得到的每一个候选答案的路径信息作为候选路径，并预处理该用户问句，得到该用户问句的向量表示；利用该向量表示对该候选路径上的每一步关系利用注意力机制进行打分，得到该候选路径上的每一步关系的关系置信度，并将该候选路径上所有的关系置信度求和，得到关系路径的路径置信度；将所有候选路径根据其置路径置信度进行排序，输出路径置信度最高的候选路径作为该用户问句的回答结果。本发明增强了中间结点在整个关系推断中的作用，提高了关系推断的准确率。
-
公开(公告)号：CN107566249B
公开(公告)日：2020-12-29
申请号：CN201710727462.7
申请日：2017-08-23
Applicant: 中国科学院计算技术研究所
Abstract: 一种训练用于预测社交网络用户转发消息的模型的方法，包括：1)获得所述社交网络中的历史数据，所述历史数据包括不同用户对同一条消息进行发布、转发的次序；2)根据所述历史数据，求解使得损失函数取值最小时各名用户的影响力和易感性；其中，所述影响力用于描述该名用户发布的消息被转发的概率，所述易感性用于描述该名用户受到发布消息的源发用户的影响而对所述消息进行转发的概率，所述损失函数是发布消息的源发用户的影响力、除所述源发用户之外的其他用户的易感性的函数；以及其中，所述用户的影响力和易感性作为所述用于预测社交网络用户转发消息的模型的参数。
-
公开(公告)号：CN111967258A
公开(公告)日：2020-11-20
申请号：CN202010667443.1
申请日：2020-07-13
Applicant: 中国科学院计算技术研究所
IPC: G06F40/289 , G06F40/216
Abstract: 本发明实施例提供了一种构建共指消解模型的方法、共指消解的方法和介质，所述方法包括A1、构建初始共指消解模型，所述初始共指消解模型包括预训练模块、文段向量模块、指称词判断模块和共指判断模块，其中，所述预训练模块采用预训练的XLNet模型，所述指称词判断模块包括第一前馈网络，所述共指判断模块包括第二前馈网络；A2、获取包括多个句子的训练数据集，所述训练数据集带有人工标注的共指关系；A3、用所述训练数据集对初始共指消解模型进行多轮训练至其收敛获得共指消解模型。本发明实施例的技术方案可以提升共指消解过程对于长距离依赖的共指关系的判断性能。
-
公开(公告)号：CN109753797B
公开(公告)日：2020-11-03
申请号：CN201811503421.0
申请日：2018-12-10
Applicant: 中国科学院计算技术研究所
IPC: G06F21/56
Abstract: 本发明涉及一种针对流式图的密集子图检测方法和系统，包括：持续从社交网络获取三元组，该三元组由用户、对象和时间戳组成，以该三元组作为流式图建模为行增广矩阵；用滑动窗口访问行增广矩阵，并对每个窗口内的行增广矩阵进行奇异值分解，得到奇异矩阵，获取奇异矩阵的奇异向量对，根据向量阈值对该奇异向量对进行筛选，得到候选密集块及其密度；通过对候选密集块利用已有方法进一步进行密集子块筛选；最终密集块的用户为检测的异常用户、其中的目标物为检测的异常目标。本发明根据增广矩阵和滑动窗口对流式图建模，每次只存储一个步长的数据，每次检测一个窗口的数据，性能优于每插入一条新数据都要更新密集块的流式算法。
-
公开(公告)号：CN110704717A
公开(公告)日：2020-01-17
申请号：CN201910833905.X
申请日：2019-09-04
Applicant: 中国科学院计算技术研究所
IPC: G06F16/953 , G06F16/33
Abstract: 本发明提出一种基于动力学模型的网络突发事件检测方法及系统，包括：对指定的网络平台进行事件抽取，得到多个结构化事件，并将多个结构化事件中指向同一基本事件的结构化事件进行消解聚合，得到多个结构化事件对应的多个基本事件；以结构化事件的自身属性作为结构化事件的质量，并以结构化事件的传播流行度作为位移，根据位移和结构化事件的从发布到被采集的时间，通过动力学模型确定结构化事件的加速度；根据结构化事件的加速度和质量，通过动力学模型确定各结构化事件的外力，集合各基本事件中结构化事件的外力，作为各基本事件的外力，根据基本事件的外力确定网络平台中各基本事件是否为广义突发事件。
-
Patent Agency Ranking
公开(公告)号：CN110532291A
公开(公告)日：2019-12-03
申请号：CN201910676904.9
申请日：2019-07-25
Applicant: 中国科学院计算技术研究所
IPC: G06F16/2455 , G06N20/00
Abstract: 本发明提出一种基于最小执行代价的深度学习框架间模型转换方法及系统，包括：在原有技术的基础上，添加操作转换代价值，同时考虑多个独立操作可以融合的情况，补充融合映射；模型的具体实现体现在构成模型的操作转换上，本阶段依据模型转换映射表，通过动态规划算法得到执行代价最低的转换后模型结构。本发明通过操作融合可以减少多个操作间中间结果的读写过程，从而优化计算性能和存储空间，进而降低转换后模型的执行代价。同时，在有多种融合可选时通过动态规划的算法得到执行代价最小的模型转换方法。
-
公开(公告)号：CN110321346A
公开(公告)日：2019-10-11
申请号：CN201910450998.8
申请日：2019-05-28
Applicant: 中国科学院计算技术研究所
IPC: G06F16/22
Abstract: 本发明涉及一种字符串散列表实现方法，包括：根据字符串长度，将该字符串分发至对应的散列表；其中，该散列表包括数组散列表、数值型散列表和字符型双散列表。本发明使用多种异构散列表存储字符串，针对不同字符串的长度选择合适的散列表；同时针对短字符串，将短字符串划分为固定的几个长度区间，提高内存空间利用率，利用字符串变长的特性，为每种区间的散列槽预留末尾的1字节空间原地存储元数据信息；而针对长字符串，使用二级散列表结构，一级散列表通过仅使用部分前缀值计算字符串散列，减少了散列值的计算量；而二级散列表作为一级散列表的冲突链存储表，解决了一级散列表精简散列计算导致的冲突增大的问题。
-
公开(公告)号：CN110135457A
公开(公告)日：2019-08-16
申请号：CN201910288771.8
申请日：2019-04-11
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于自编码器融合文档信息的事件触发词抽取方法，包括：以未标注自由文本语料生成训练集，训练GRU模型以构建该自编码器；对训练语料进行预处理和标签标注，提取待识别词；以该自编码器获取该待识别词在其所在文档内的文档向量，作为该待识别词的全局特征；以该待识别词的词向量和实体类型分布式表达，作为该待识别词的局部特征；将该全局特征和该局部特征进行向量拼接，获得该待识别词的上下文特征；将该上下文特征输入Bi-GRU模型进行多分类，以识别该待识别词是否为事件触发词及该待识别词的对应事件类型。
-
公开(公告)号：CN109828995A
公开(公告)日：2019-05-31
申请号：CN201811533324.6
申请日：2018-12-14
Applicant: 中国科学院计算技术研究所
IPC: G06F16/2458 , G06F16/28 , G06K9/62
Abstract: 本发明涉及一种基于视觉特征的图数据检测方法和系统，包括：获取待分析的图数据，并统计该图数据的分布特征；将该分布特征输入基于视觉特征的分类模型，得到该图数据中具有相同类别的节点，通过将类别相同的该节点划分至同一分组，得到多个分组；利用基于视觉的分析模型对该分组进行聚合分析，得到每个分组的聚类特征，根据每个分组的该聚类特征进行模式总结和异常检测处理，并将每个分组的该聚类特征、模式总结结果和异常检测结果作为该图数据的检测结果。本发明不直接对大图数据的邻接矩阵或者拉普拉斯矩阵进行分解操作，处理速度快，效率高，具有更强的及时性。
-
公开(公告)号：CN108600321A
公开(公告)日：2018-09-28
申请号：CN201810253247.2
申请日：2018-03-26
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于分布式内存云的图数据存储方法和系统，包括：图服务层，用于在分布式内存云中为每个服务器分配虚拟节点，根据虚拟节点的哈希值，将虚拟节点映射到哈希环，保存映射关系作为哈希映射表，获取每个服务器所存储的图数据，同过在哈希映射表上检索图数据的哈希值，将图数据存入对应的虚拟节点；当增加新服务器时，在分布式内存云中为新服务器分配新虚拟节点并更新哈希映射表，根据新虚拟节点的哈希值，将新虚拟节点加入哈希环中，并根据虚拟节点存储的图数据的哈希值和更新后的哈希映射表，对哈希环中每个虚拟节点进行数据迁移。通过一致性哈希算法使本发明支持动态扩容，也即能增加或删除节点，且节点发生故障时能尽量减少损失。
-
-
-
-
-
-
-
-
-
Search Results
395
records
(took 0.076 seconds)
