-
公开(公告)号：CN117493995A
公开(公告)日：2024-02-02
申请号：CN202311470818.5
申请日：2023-11-07
Applicant: 北京信息科技大学
IPC: G06F18/2413 , G06F18/2431 , G06F18/24 , G06F18/23211
Abstract: 本发明提供了一种基于新类发现的舆情演化类别动态检测方法及装置，基于语义表示模型的构建与新类的识别，可以实现动态的舆情意见群体划分，进而结合各类中心特点的分析，可以构建舆情动态演化模型，开展舆情演化趋势的分析与舆情治理。本发明通过语义表示模型和舆论聚合操作能够实现舆论类别的动态变换，更加符合舆论演化的实际场景，并且能够为每种意见群体提供直观的描述细节，更为精准的开展舆情把握与治理。
-
公开(公告)号：CN113468884B
公开(公告)日：2023-06-16
申请号：CN202110647875.0
申请日：2021-06-10
Applicant: 北京信息科技大学
IPC: G06F40/289 , G06F40/211 , G06F40/30 , G06F40/216 , G06N3/045 , G06N3/0442
Abstract: 本发明提供一种中文事件触发词抽取方法及装置。所述方法包括：对输入文本进行预处理；初始向量化；利用异构注意力网络，有侧重地捕捉与当前节点同一类型邻居节点的特征，有侧重地捕捉与当前节点不同类型邻居节点的特征；将类型注意力网络的输出输入到一个条件随机场，输出标注序列，实现触发词的抽取。本发明利用全分词和依存句法分析相结合，通过融入单词的义原信息，将单词的多个语义信息融合至字符之中，解决了触发词抽取任务中的歧义分词问题及中文词语语义歧义性的问题。本发明利用包括节点注意力网络和类型注意力网络的异构图注意力网络，能够有侧重地捕捉异构图中邻居节点的特征，提高了中文事件触发词的抽取的准确度。
-
公开(公告)号：CN113780002B
公开(公告)日：2023-11-28
申请号：CN202110928277.0
申请日：2021-08-13
Applicant: 北京信息科技大学
Abstract: 本发明提供一种基于图表示学习和深度强化学习的知识推理方法及装置。所述方法包括：构建关系图神经网络模型，将知识图谱数据输入到所述模型，根据输入数据的不同关系类别提取知识的图拓扑结构信息和语义信息；以提取的信息为基础，构建强化学习模型，通过强化学习智能体和环境的交互进行知识推理，输出推理结果。由于图表示学习后的知识向量含有丰富的以关系类别为主的图拓扑信息和语义信息，提供了强大的单步推理信息，而强化学习推理过程中，通过智能体和环境不断地交互进行多步推理，因(56)对比文件Heng Wang 等.Incorporating graphattention mechanism into knowledge graphreasoning based on deep reinforcementlearning《.Proceedings of the 2019Conference on Empirical Methods inNatural Language Processing and the 9thInternational Joint Conference on NaturalLanguage Processing》.2019,2623-2631.
-
公开(公告)号：CN113780002A
公开(公告)日：2021-12-10
申请号：CN202110928277.0
申请日：2021-08-13
Applicant: 北京信息科技大学
Abstract: 本发明提供一种基于图表示学习和深度强化学习的知识推理方法及装置。所述方法包括：构建关系图神经网络模型，将知识图谱数据输入到所述模型，根据输入数据的不同关系类别提取知识的图拓扑结构信息和语义信息；以提取的信息为基础，构建强化学习模型，通过强化学习智能体和环境的交互进行知识推理，输出推理结果。由于图表示学习后的知识向量含有丰富的以关系类别为主的图拓扑信息和语义信息，提供了强大的单步推理信息，而强化学习推理过程中，通过智能体和环境不断地交互进行多步推理，因此，本发明基于图表示学习和强化学习的推理方法，通过将单步推理和多步推理互补结合，可提高推理效率、增强推理的可解释性。
-
公开(公告)号：CN112948552A
公开(公告)日：2021-06-11
申请号：CN202110217425.8
申请日：2021-02-26
Applicant: 北京信息科技大学
IPC: G06F16/332 , G06F16/35 , G06F16/36
Abstract: 本发明公开了一种事理图谱在线扩展方法及装置，该方法包括以下步骤：获取历史新闻文本数据，构建事理图谱；获取最新新闻文本数据，对最新新闻文本数据进行事件关系的匹配及事件抽取；基于自适应泛化模型，利用抽取到的最新新闻文本数据的前件事件和后件事件，对构建的事理图谱进行在线扩展。该方法降低了人工成本，提高了扩展效率，增强了事理图谱的可移植性。
-
Patent Agency Ranking
公开(公告)号：CN112948552B
公开(公告)日：2023-06-02
申请号：CN202110217425.8
申请日：2021-02-26
Applicant: 北京信息科技大学
IPC: G06F16/332 , G06F16/35 , G06F16/36
Abstract: 本发明公开了一种事理图谱在线扩展方法及装置，该方法包括以下步骤：获取历史新闻文本数据，构建事理图谱；获取最新新闻文本数据，对最新新闻文本数据进行事件关系的匹配及事件抽取；基于自适应泛化模型，利用抽取到的最新新闻文本数据的前件事件和后件事件，对构建的事理图谱进行在线扩展。该方法降低了人工成本，提高了扩展效率，增强了事理图谱的可移植性。
-
公开(公告)号：CN113468884A
公开(公告)日：2021-10-01
申请号：CN202110647875.0
申请日：2021-06-10
Applicant: 北京信息科技大学
IPC: G06F40/289 , G06F40/211 , G06F40/30 , G06F40/216 , G06N3/04
Abstract: 本发明提供一种中文事件触发词抽取方法及装置。所述方法包括：对输入文本进行预处理；初始向量化；利用异构注意力网络，有侧重地捕捉与当前节点同一类型邻居节点的特征，有侧重地捕捉与当前节点不同类型邻居节点的特征；将类型注意力网络的输出输入到一个条件随机场，输出标注序列，实现触发词的抽取。本发明利用全分词和依存句法分析相结合，通过融入单词的义原信息，将单词的多个语义信息融合至字符之中，解决了触发词抽取任务中的歧义分词问题及中文词语语义歧义性的问题。本发明利用包括节点注意力网络和类型注意力网络的异构图注意力网络，能够有侧重地捕捉异构图中邻居节点的特征，提高了中文事件触发词的抽取的准确度。
-
公开(公告)号：CN117493962A
公开(公告)日：2024-02-02
申请号：CN202311471501.3
申请日：2023-11-07
Applicant: 北京信息科技大学
IPC: G06F18/241 , G06F18/20 , G06F18/213 , G06N3/045 , G06N3/0442 , G06N3/042 , G06N3/084 , G06F18/25 , G06F40/295
Abstract: 本发明提供一种融合事件属性的大宗商品事件分类方法及装置。所述方法包括：对采集的新闻语料进行事件抽取，将事件表示为一个触发词和多个与之关联的实体；基于大语言模型提示学习识别所述触发词和实体的类型，将所述事件保存为事件图；将所有事件图作为目标图输入到深度散度图核神经网络中，从目标图中抽取一部分图得到一组源图，基于目标图与源图的散度计算得到每个事件图的图表示向量；基于改进的金融领域情感词典，生成事件的情感向量，并与所述图表示向量拼接后输入到事件分类器，输出事件类别。本发明通过增强事件属性知识，使用深度图和神经网络学习事件属性和结构，提高了事件分类的准确率。
-
公开(公告)号：CN115269780A
公开(公告)日：2022-11-01
申请号：CN202210927689.7
申请日：2022-08-03
Applicant: 北京信息科技大学
IPC: G06F16/33 , G06F16/36 , G06F40/194 , G06F40/247 , G06N5/04
Abstract: 本发明提供一种基于语句相似度的事件图谱构造推理方法及装置。所述方法包括：从原始文本中抽取因果关系和事件描述，构造初始事件图谱；计算初始事件图谱中节点即事件描述之间的相似度，将相似度大于设定阈值的有因果关系的事件合并为一个事件簇，得到事件簇图谱；将事件描述输入事件簇图谱，确定与所述事件描述相似度最大的事件所在的事件簇，返回与所述事件簇有直接因果关系的部分事件簇图谱，并计算相关的因果事件概率。本发明基于相似度计算将事件合并为事件簇代替事件作为网络结构中的节点，简化了网络结构，提升了查找原因与结果的效率。
-
公开(公告)号：CN113010688A
公开(公告)日：2021-06-22
申请号：CN202110245088.3
申请日：2021-03-05
Applicant: 北京信息科技大学
Abstract: 本申请提供了一种知识图谱构建方法，包括：获取目标领域的用于构建知识图谱的目标数据集；采用基于监督学习的方法，对目标数据集进行知识抽取，得到知识抽取结果；从全局本体和局部本体的层面，对知识抽取结果进行知识融合，以构建初始知识图谱。可见，本申请采用基于监督学习的方法进行知识抽取、以及基于全局本体和局部本体的集成思想来实现本体概念层融合，实现了目标领域知识的获取与融合，从而实现了知识图谱的构建，该知识图谱构建方法不但在不同领域具有普适性，还有助于快速、高效地构建目标领域知识图谱。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.02 seconds)
