-
公开(公告)号：CN110807069A
公开(公告)日：2020-02-18
申请号：CN201911011199.7
申请日：2019-10-23
Applicant: 华侨大学
IPC: G06F16/28 , G06F16/36 , G06F40/284
Abstract: 本发明公开了一种基于强化学习算法的实体关系联合抽取模型构建方法，包括：输入文本，采用联合抽取标注策略对原始语料中的每条语句的词语进行实体关系标注；将文本转化为word2vec向量；预训练LSTM联合抽取器；初始化训练器网络并打乱袋子顺序；计算当前语句奖励值；计算总期望奖励值；利用优化函数更新模型参数；如果模型已收敛，对模型进行超参数的调优训练；如果超参数为最优解，生成最终的实体关系联合抽取方案。本发明基于策略梯度优化算法构建强化学习模型，能对复杂的自然语言类型原始语料的语句实体关系联合抽取问题进行有效求解，并能有效提高实体关系抽取的准确率和F1值。
-
公开(公告)号：CN108154380A
公开(公告)日：2018-06-12
申请号：CN201710292884.6
申请日：2017-04-28
Applicant: 华侨大学 , 亚尔迪(厦门)科技有限公司
CPC classification number: G06Q30/0282 , G06Q30/0631
Abstract: 本发明涉及一种基于大规模评分数据对用户进行商品在线实时推荐的方法，是一种基于并行朴素贝叶斯回归模型的协同过滤推荐方法。首先，将数据存储于Hadoop的HDFS上，并行读取用户对项目的评分数据，对评分进行四舍五入的取整和离散化；其次，将用户和项目作为独立属性，离散化后的各评分作为类别，利用MapReduce框架实现的并行朴素贝叶斯分类模型计算用户对商品各评分类别的概率；最后，通过求期望来预测用户对商品的评分，应用于商品推荐。本方法解决了传统协同过滤算法时空效率低，预测成功率低和实时性不佳的问题，提高了推荐的时空效率、准确率和成功率，适合于大规模评分数据上对用户进行商品在线实时推荐。
-
公开(公告)号：CN107256204A
公开(公告)日：2017-10-17
申请号：CN201710235714.4
申请日：2017-04-12
Applicant: 华侨大学
Abstract: 本发明涉及一种载荷未知条件下多点振动响应频域预测的实验装置、两种传递函数获取方法、以及利用该实验装置在不相关多源未知载荷联合激励工况环境下根据系统已知测点的频域振动响应预测未知测点的频域振动响应的方法。基于传递函数和载荷识别的振动响应预测方法步骤：首先利用历史载荷和测点振动响应求解所有载荷点到已知测点和未知测点的传递函数；然后利用工况环境下已知测点的振动响应和所有载荷点到已知测点的传递函数识别工况环境下不相关多源频域载荷；最后利用识别的工况环境下不相关多源频域载荷和载荷到未知测点的传递函数来预测工况环境下未知测点的频域振动响应。本发明可用于多源不相关载荷未知情况下，利用已知测点的频域振动响应对未知结点频域振动响应进行预测。
-
公开(公告)号：CN107085633A
公开(公告)日：2017-08-22
申请号：CN201710235737.5
申请日：2017-04-12
Applicant: 华侨大学
Abstract: 本发明涉及一种载荷未知条件下多点振动响应频域预测的实验装置；一种载荷未知条件下多点振动响应频域预测的实验数据生成方法；一种利用该实验装置和实验数据，在不相关多源未知载荷联合激励下，根据系统已知测点的振动响应预测未知测点振动响应的方法。该振动响应预测方法根据历史实验数据直接利用支持向量机训练出响应数据之间的关系，而不需要已知或辨识系统的传递函数、载荷大小甚至载荷位置。本发明主要针对不相关多源未知载荷联合激励工况环境下，利用已知测点的振动响应对未知结点的振动响应进行预测。本发明可以解决线性系统和非线性系统的响应预测；本发明可以解决一个未知结点和多个未知结点的振动响应预测情况。
-
公开(公告)号：CN119025685B
公开(公告)日：2025-02-11
申请号：CN202411479256.5
申请日：2024-10-23
Applicant: 华侨大学
Abstract: 本发明提供的一种知识图谱关系预测方法、装置、设备及存储介质，涉及知识图谱关系预测技术领域，本发明通过从稀疏知识图谱中构建候选三元组，根据预设的提示模板得到三元组循证文本集；利用大语言模型组合决策法计算候选三元组的关系支持度；接着，融合关系支持度和BERT模型向量嵌入，获得知识图谱的所有候选三元组的实例等价性向量，即候选三元组向量与真实标准化向量；然后，基于欧式距离计算候选三元组与事实三元组的实例等价性得分；最后，根据实例等价性得分筛选出超过阈值的候选三元组作为预测三元组，实现知识图谱关系预测。本发明提高了知识图谱关系的预测精度、增强了预测结果的循证支撑力度，在适应稀疏知识图谱方面表现出色。
-
Patent Agency Ranking
公开(公告)号：CN114860952B
公开(公告)日：2024-12-20
申请号：CN202210464244.X
申请日：2022-04-29
Applicant: 华侨大学
IPC: G06F16/36 , G06F40/295 , G06F17/18 , G06F18/243 , G06V10/82 , G06N3/042 , G06N3/0455 , G06N3/084
Abstract: 本发明公开一种基于数据统计和知识指导的图拓扑学习方法及系统，能在有监督下游任务下从文本数据中学习到图拓扑，方法包括：输入文本数据，获取文本数据中的实体作为图拓扑的节点，根据历史文本数据计算节点间的条件概率，构建初始图拓扑的邻接矩阵。其次，基于领域知识图谱构建出每份文本数据的知识注意网络。最后，将初始图拓扑的邻接矩阵输入到DK_Transformer(Data and Knowledge drivenTransformer)模型中，并以知识注意网络为专家知识，联合注意力机制来学习出适应下游任务的图拓扑。本方面能有效解决现有基于文本数据的图拓扑构建方法仅考虑数据统计信息、未充分利用知识和无法适应下游任务等问题。
-
公开(公告)号：CN117131943A
公开(公告)日：2023-11-28
申请号：CN202311178731.0
申请日：2023-09-13
Applicant: 华侨大学
IPC: G06N5/04 , G06N3/042 , G06N3/0455 , G06N3/0464 , G06F16/332 , G06F16/33
Abstract: 本发明提供一种基于问句图数据的问题链生成方法、装置及设备，方法包括：S1，在问句集中，针对问句进行槽位标签预测，利用标签向量距离创建问句间的连接关系，构建以单个问句为节点以连接为边的问句图数据；S2，将问句图数据送入图Transformer进行图表示学习，对问句图数据的节点进行嵌入表示，获得问句图数据的表示向量；S3，将待预测问句与问句图数据的表示向量通过问题链生成模型实现链接预测，得到最高置信度问句，并根据最高置信度问句与所述输入待预测问句构建链接，从而构建出两问句间的一跳问题链。本发明利用问句间的槽位关联性构建问句图，超越单纯依赖问句语义相关性所构问题链的关联性，形成逻辑性更强的问句链，实现了问题链的高效率生成。
-
公开(公告)号：CN116070786B
公开(公告)日：2023-06-20
申请号：CN202310212028.0
申请日：2023-03-07
Applicant: 华侨大学 , 中国医学科学院阜外医院
IPC: G06Q10/04 , G06F16/28 , G06F18/25 , G06N3/0455 , G06N3/08
Abstract: 本发明实施例提供一种基于事件演化图的多标记事件预测方法、装置和介质，涉及事件预测技术领域。其中，这种多标记事件预测方法包含S1、获取已知事件链。S2、根据事件演化图，获取候选事件组合集。其中，事件演化图根据历史数据集构造，且包含顺承关系和同时关系。候选事件组合集包含多个候选事件组合。候选事件组合包含1个或多个候选事件。S3、将已知事件链和候选事件组合集输入预先训练好的多标记事件预测模型，获取预测发生事件。预测发生事件为候选事件组合集中的一个候选事件组合所包含的候选事件。其中，多标记事件预测模型包括编码器、门控图神经网络、筛选模型、解码器。
-
公开(公告)号：CN111292366B
公开(公告)日：2023-03-10
申请号：CN202010094884.7
申请日：2020-02-17
Applicant: 华侨大学
IPC: G06V20/58 , G06T7/521 , G06T7/80 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明涉及智能汽车的自动驾驶领域，尤其涉及一种基于深度学习和边缘计算的视觉行车测距算法，包括以下步骤：S1、构建带行车测距数据集并进行标注；S2、利用构建的标准数据集，生成适用于行车测距的深度模型；S3、联合边缘设备和传感设备自动对网络进行分割加速推断；S4、用测试数据集进行实验，预测行车距离，本发明使用单目摄像头采集行车数据集，节省了成本。且通过多种数据增强的方法对数据集进行了有效扩充，不仅增加了数据量，有效避免了网络过拟合，提高了行车测距的准确率。
-
公开(公告)号：CN112466462B
公开(公告)日：2023-03-07
申请号：CN202011353177.1
申请日：2020-11-26
Applicant: 华侨大学
IPC: G16H50/20 , G16H50/70 , G16H10/20 , G06F40/289 , G06F40/30 , G06F40/242 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于图深度学习的EMR信息关联及演化方法，包括如下步骤：EMR数据预处理：获取EMR数据集，得到EMR的实体词典；EMR图构建：实体词典中的词转换为向量表示，并得到EMR图的向量矩阵以及EMR图的邻接矩阵，组合构成EMR图；EMR图深度学习模型构建：根据得到的EMR数据集对应的所有EMR图，构建出EMR图深度学习模型的输入图数据集，从而进一步获得图深度学习模型F；EMR信息关联及演化：将任意一条EMR数据，喂入图深度学习模型F，构建EMR图的演化序列。本发明提出一种基于图深度学习的EMR信息关联及其演化方法，采用图深度学习方法对电子病历数据进行建模，利用网络关系图可视化技术展示电子病历结构信息的演化过程，实现知识发现和可解释深度学习。
-
-
-
-
-
-
-
-
-
Search Results
81
records
(took 0.035 seconds)
