公开(公告)号：CN115952293A

公开(公告)日：2023-04-11

申请号：CN202211249317.X

申请日：2022-10-12

Applicant: 北京工业大学

Inventor： 王家普 ,  王博岳 ,  胡永利 ,  贺霞霞 ,  孙忠凡 ,  尹宝才

IPC: G06F16/36 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 基于虚拟状态嵌入的知识图谱补全方法及装置，引入虚拟状态嵌入作为实体和关系间的过渡，以减少实体和关系之间巨大的语义差距，从而提高链接预测性能。为了实现上述过程，本发明提出了差分聚合模块，该模块通过双信息对偶传播的方式对实体、关系和虚拟状态嵌入进行交互，以动态地传递它们之间的信息，因此能够减少实体和关系间的巨大语义差距，达到信息交互的目的。

公开(公告)号：CN112818889A

公开(公告)日：2021-05-18

申请号：CN202110182159.X

申请日：2021-02-09

Applicant: 北京工业大学

Inventor： 尹宝才 ,  王家普 ,  胡永利 ,  孙艳丰 ,  王博岳

IPC: G06K9/00 ,  G06K9/20 ,  G06K9/46 ,  G06K9/62 ,  G06F16/332 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于动态注意力的超网络融合视觉问答答案准确性的方法，先提取图像中两两物体之间的关系特征。通过进行关系特征的向量表示和问题文本的向量表示的余弦相似度的操作来动态的选取和问题文本相关的关系特征，并将余弦相似度分数排在前三的关系特征被选取为最为相关的关系特征；为了使视觉图片和问题文本中提取的特征融合的更加充分，提用基于超网络的卷积融合方式。利用融合图像‑问题特征学习多分类的分类器，以正确预测最佳匹配答案。使特征融合更加充分，能够使两模态之间进行深层次的交互，进一步促进视觉问答技术的准确性能的提升。

公开(公告)号：CN112818889B

公开(公告)日：2024-05-28

申请号：CN202110182159.X

申请日：2021-02-09

Applicant: 北京工业大学

Inventor： 尹宝才 ,  王家普 ,  胡永利 ,  孙艳丰 ,  王博岳

IPC: G06V30/41 ,  G06V30/14 ,  G06V30/18 ,  G06V30/19 ,  G06V10/82 ,  G06F16/332 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了基于动态注意力的超网络融合视觉问答答案准确性的方法，先提取图像中两两物体之间的关系特征。通过进行关系特征的向量表示和问题文本的向量表示的余弦相似度的操作来动态的选取和问题文本相关的关系特征，并将余弦相似度分数排在前三的关系特征被选取为最为相关的关系特征；为了使视觉图片和问题文本中提取的特征融合的更加充分，提用基于超网络的卷积融合方式。利用融合图像‑问题特征学习多分类的分类器，以正确预测最佳匹配答案。使特征融合更加充分，能够使两模态之间进行深层次的交互，进一步促进视觉问答技术的准确性能的提升。

公开(公告)号：CN112667824B

公开(公告)日：2024-03-15

申请号：CN202110059002.8

申请日：2021-01-17

Applicant: 北京工业大学

Inventor： 尹宝才 ,  王家普 ,  胡永利 ,  孙艳丰 ,  王博岳

IPC: G06F16/36 ,  G06F16/28 ,  G06F40/30 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/08 ,  G06N5/022

Abstract: 本发明公开了基于多语义学习的知识图谱补全方法，将实体e1和r分别先通过多个转换矩阵学习到多个隐藏的语义表示。在前面的知识图嵌入捕捉实体和关系多个隐藏语义的步骤中，得到对同一实体或关系的多个特征嵌入。利用深度残差注意力网络优化实体和关系的嵌入。引入去噪网络优化实体嵌入和关系嵌入。接下来先简述去噪网络的结构。引入多步融合的过程来充分融合实体和关系；本发明提出来的深度残差注意力网络，能有效减少引入多个隐藏语义带来大量噪声的问题。同时去噪网络和多步融合网络能充分融合实体和关系，来得到最符合的预测结果。

公开(公告)号：CN116431820A

公开(公告)日：2023-07-14

申请号：CN202310266322.X

申请日：2023-03-20

Applicant: 北京工业大学

Inventor： 王博岳 ,  胡思敏 ,  王家普 ,  赵岚 ,  胡永利

IPC: G06F16/36 ,  G06F18/15 ,  G06N5/025

Abstract: 本发明公开了基于弱化低质量负样本的时序知识图谱补全方法，为了平衡负样本多样性和负样本质量，该方法使用高质量和中等质量的负样本以增强模型判别能力，即弱化低质量负样本产生的影响。该方法提出的低质量负样本选择和弱化模块可以挑选出低质量负样本并调节它们的分数以弱化低质量负样本的消极影响。在交叉熵损失中引入了自适应加权负样本损失正则化项，该正则化项计算了每个负样本的损失值，并自适应地为每个负样本损失值分配不同的权重，以充分利用不同质量负样本的潜在信息。自适应加权负样本损失正则化项与低质量负样本选择和弱化模块都起到了积极影响。

公开(公告)号：CN112667824A

公开(公告)日：2021-04-16

申请号：CN202110059002.8

申请日：2021-01-17

Applicant: 北京工业大学

Inventor： 尹宝才 ,  王家普 ,  胡永利 ,  孙艳丰 ,  王博岳

IPC: G06F16/36 ,  G06F16/28 ,  G06K9/62 ,  G06F40/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于多语义学习的知识图谱补全方法，将实体e1和r分别先通过多个转换矩阵学习到多个隐藏的语义表示。在前面的知识图嵌入捕捉实体和关系多个隐藏语义的步骤中，得到对同一实体或关系的多个特征嵌入。利用深度残差注意力网络优化实体和关系的嵌入。引入去噪网络优化实体嵌入和关系嵌入。接下来先简述去噪网络的结构。引入多步融合的过程来充分融合实体和关系；本发明提出来的深度残差注意力网络，能有效减少引入多个隐藏语义带来大量噪声的问题。同时去噪网络和多步融合网络能充分融合实体和关系，来得到最符合的预测结果。