-
公开(公告)号：CN114490954A
公开(公告)日：2022-05-13
申请号：CN202210403218.6
申请日：2022-04-18
Applicant: 东南大学
IPC: G06F16/33 , G06F16/35 , G06F40/126 , G06F40/205 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明公开了一种基于任务调节的文档级生成式事件抽取方法，包括以下步骤：构建基于任务调节的文档级生成式事件抽取框架；根据事件抽取任务的事件类型来创建编码器前缀，然后注入编码器；根据事件抽取任务的事件类型和输入文档的词元表示来创建解码器前缀，然后注入解码器；利用最小负对数似然损失函数来训练事件抽取神经网络模型，并且在测试过程中使用约束解码算法；该方案构建了一个生成式事件抽取模型，它将事件类型作为前缀注入基于Transformer模型的每一层，有效提升了模型的F1值，在文档级和零样本事件抽取任务中表现出优越的性能，实现了有效的零样本学习和监督学习，在三个主流数据集上均取得了最先进的效果。
-
公开(公告)号：CN117373448A
公开(公告)日：2024-01-09
申请号：CN202311252705.8
申请日：2023-09-26
Applicant: 东南大学
IPC: G10L15/22 , G10L15/183 , G10L15/16 , G10L15/06 , G10L15/02
Abstract: 本发明公开了一种基于上下文线索的语音事件抽取方法，旨在实现从语音信号中准确地抽取事件信息。该方法包括构建基于上下文线索的语音事件抽取模型，并逐步实现语音编码器和文本解码器。与传统方法不同的是，本发明提出了一种有效的条件生成策略，同时生成语音识别转录文本和序列化事件。其中，语音识别转录文本作为上下文线索，用于协调语音和文本两种模态，从而增强事件抽取的准确性和效果。在经过中英文数据集的实验验证后，结果表明本方法能够有效提升语音事件抽取的输出质量和整体性能。这种基于上下文线索的语音事件抽取方法在多个领域具有广泛的应用前景。
-
公开(公告)号：CN117153141A
公开(公告)日：2023-12-01
申请号：CN202310978819.4
申请日：2023-08-04
Applicant: 东南大学
Abstract: 本发明公开了一种基于约束生成和扁平事件表示的语音事件抽取方法，包括以下步骤：构建面向语音的事件抽取框架；利用Text‑to‑Speech工具合成语音，设计扁平事件表示方法，构建语音事件抽取数据集；以端到端的方式训练语音事件抽取模型，并且在推理过程注入事件模式知识以实现可控文本生成。本发明首次提出面向语音的结构化语义事件抽取任务，贡献了两个相关数据集，设计了端到端语音事件抽取模型，通过约束生成和扁平事件表示方法有效提升了模型的准确率和抽取效率。
-
公开(公告)号：CN114490954B
公开(公告)日：2022-07-15
申请号：CN202210403218.6
申请日：2022-04-18
Applicant: 东南大学
IPC: G06F16/33 , G06F16/35 , G06F40/126 , G06F40/205 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明公开了一种基于任务调节的文档级生成式事件抽取方法，包括以下步骤：构建基于任务调节的文档级生成式事件抽取框架；根据事件抽取任务的事件类型来创建编码器前缀，然后注入编码器；根据事件抽取任务的事件类型和输入文档的词元表示来创建解码器前缀，然后注入解码器；利用最小负对数似然损失函数来训练事件抽取神经网络模型，并且在测试过程中使用约束解码算法；该方案构建了一个生成式事件抽取模型，它将事件类型作为前缀注入基于Transformer模型的每一层，有效提升了模型的F1值，在文档级和零样本事件抽取任务中表现出优越的性能，实现了有效的零样本学习和监督学习，在三个主流数据集上均取得了最先进的效果。
-
-
-
Search Results
4
records
(took 0.012 seconds)
