公开(公告)号：CN119558308A

公开(公告)日：2025-03-04

申请号：CN202411501842.5

申请日：2024-10-25

Applicant: 中国科学院信息工程研究所

Inventor： 刘曦雨 ,  郭晓博 ,  王鑫 ,  刘泽艺 ,  穆楠 ,  符天枢 ,  向继

IPC: G06F40/211 ,  G06F40/295 ,  G06F40/216 ,  G06F16/334

Abstract: 本发明涉及一种面向开放世界稀疏语料的少样本属性抽取方法和系统。该方法首先应用无监督元模式抽取方法来指导序列到序列生成模型的训练，从而降低训练集的稀疏性；然后，设计了“生成后过滤”流程，以从输入语料中抽取所有有价值的属性三元组；使用束搜索来获取多个候选项，并通过筛选模块从候选项中选出高质量的属性三元组。此外，本发明还提出了一个名为OSN‑515的基准数据集，以帮助评估从稀疏语料库中抽取开放世界少样本属性的效果。实验结果表明，本发明的框架明显优于基线框架，消融研究证明了模型各部分的有效性。

公开(公告)号：CN114462379A

公开(公告)日：2022-05-10

申请号：CN202110265366.1

申请日：2021-03-11

Applicant: 中国科学院信息工程研究所

Inventor： 刘凯 ,  杨双 ,  向继 ,  查达仁 ,  王雷 ,  郭晓博 ,  何原野

IPC: G06F40/205 ,  G06F40/30 ,  G06N3/04

Abstract: 本发明涉及一种改进的基于事件演化图的脚本学习方法和装置。该方法包括：利用由具体事件链构成的具体事件网络构建抽象的事件演化图；挖掘事件演化图中蕴含的事件演化知识，以学习上下文事件和候选事件的初始嵌入表示；将上下文事件和候选事件的初始嵌入表示输入双向LSTM网络，得到上下文事件和候选事件的更新后的嵌入表示，其中包含事件链的时序信息以及事件演化图中蕴含的事件演化知识；利用更新后的嵌入表示对上下文事件和候选事件进行相似度计算，得到每一个候选事件的相似度得分，将相似度得分概率化，选择概率最高的候选事件作为最终预测的事件。本发明对于脚本事件预测具有较高的准确度，能够用于隐私窃取攻击事件预测等领域。

公开(公告)号：CN114462379B

公开(公告)日：2025-04-25

申请号：CN202110265366.1

申请日：2021-03-11

Applicant: 中国科学院信息工程研究所

Inventor： 刘凯 ,  杨双 ,  向继 ,  查达仁 ,  王雷 ,  郭晓博 ,  何原野

IPC: G06F40/205 ,  G06F40/30 ,  G06N3/0442

Abstract: 本发明涉及一种改进的基于事件演化图的脚本学习方法和装置。该方法包括：利用由具体事件链构成的具体事件网络构建抽象的事件演化图；挖掘事件演化图中蕴含的事件演化知识，以学习上下文事件和候选事件的初始嵌入表示；将上下文事件和候选事件的初始嵌入表示输入双向LSTM网络，得到上下文事件和候选事件的更新后的嵌入表示，其中包含事件链的时序信息以及事件演化图中蕴含的事件演化知识；利用更新后的嵌入表示对上下文事件和候选事件进行相似度计算，得到每一个候选事件的相似度得分，将相似度得分概率化，选择概率最高的候选事件作为最终预测的事件。本发明对于脚本事件预测具有较高的准确度，能够用于隐私窃取攻击事件预测等领域。

公开(公告)号：CN117540739A

公开(公告)日：2024-02-09

申请号：CN202311284404.3

申请日：2023-10-07

Applicant: 中国科学院信息工程研究所

Inventor： 张宏睿 ,  郭晓博 ,  向继 ,  王雷

IPC: G06F40/289 ,  G06F40/30 ,  G06N3/0442 ,  G06F40/211

Abstract: 本发明公开了一种序列到无序多树模型的三元组抽取方法，其特征在于，构建一编码器‑解码器框架，所述编码器‑解码器框架中的编码器包括嵌入层、IDCNN、BiLSTM和第一卷积层CNN；所述编码器‑解码器框架中的解码器包括LSTM、注意力机制层和第二卷积层CNN；本发明采用IDCNN+BiLSTM作为编码器，IDCNN结构采用了多尺度的卷积核，可以捕捉更长的上下文信息，能够提取更多特征，有助于提高模型性能；解码器通过使用无序多标签分类作为输出层，对实体和关系进行联合建模和结构化建模；每个层级中的节点是无序的，且不考虑预定义的三元组顺序，因此预测偏差不会累积并影响其他三元组。

公开(公告)号：CN116975285A

公开(公告)日：2023-10-31

申请号：CN202310830552.4

申请日：2023-07-07

Applicant: 中国科学院信息工程研究所

Inventor： 丁国轩 ,  郭晓博 ,  王雷 ,  查达仁 ,  向继

IPC: G06F16/35 ,  G06F40/30 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及一种基于层级感知的事件抽取方法和系统。该方法包括：将训练数据输入事件抽取模块进行事件抽取，得到对应的事件类型；将事件抽取模块得到的事件类型输入图嵌入模块，图嵌入模块利用因果关系和子事件关系在极坐标中学习事件嵌入，得到在旋转和模数两个维度上具有层次结构的事件图；对事件抽取模块和图嵌入模块一起进行训练，通过图嵌入模块增强事件嵌入表示并提高事件抽取模块的性能；将待进行事件抽取的文本输入训练完成的事件抽取模块，得到事件抽取结果。本发明提出了HAEE模型来构建事件图嵌入，在低资源情况下的事件抽取任务能有较高的性能，并通过对不同维度的嵌入分析来证明事件图嵌入可以有效的建模事件语义层次结构。

公开(公告)号：CN112598581B

公开(公告)日：2023-10-24

申请号：CN202011606834.9

申请日：2020-12-30

Applicant: 中国科学院信息工程研究所

Inventor： 刘凯 ,  刘冠群 ,  王雷 ,  王鑫 ,  刘泽艺 ,  郭晓博 ,  何原野

IPC: G06T3/40 ,  G06N3/0464

Abstract: 本发明公开了一种RDN超分辨网络的训练方法及图形生成方法，其步骤包括：1)将低分辨率样本图像输入到生成器，生成高分辨率图像；2)将生成的高分辨率图像作为假数据，计算该假数据与对应标签数据之间的损失值；3)提取该假数据的特征与对应标签数据的特征，然后计算特征之间的损失值；4)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算生成器中损失函数的损失值；5)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算判别器中损失函数的损失值，进行判别器参数更新；6)将步骤2)～4)所得损失值加权在一起，作为生成器的损失，进行生成器的参数更新。

公开(公告)号：CN112598581A

公开(公告)日：2021-04-02

申请号：CN202011606834.9

申请日：2020-12-30

Applicant: 中国科学院信息工程研究所

Inventor： 刘凯 ,  刘冠群 ,  王雷 ,  王鑫 ,  刘泽艺 ,  郭晓博 ,  何原野

IPC: G06T3/40 ,  G06N3/04

Abstract: 本发明公开了一种RDN超分辨网络的训练方法及图形生成方法，其步骤包括：1)将低分辨率样本图像输入到生成器，生成高分辨率图像；2)将生成的高分辨率图像作为假数据，计算该假数据与对应标签数据之间的损失值；3)提取该假数据的特征与对应标签数据的特征，然后计算特征之间的损失值；4)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算生成器中损失函数的损失值；5)将生成的高分辨率图像及其多个下采样数据作为假数据，根据该假数据与对应真实数据计算判别器中损失函数的损失值，进行判别器参数更新；6)将步骤2)～4)所得损失值加权在一起，作为生成器的损失，进行生成器的参数更新。