-
公开(公告)号：CN108647258B
公开(公告)日：2020-12-22
申请号：CN201810377516.6
申请日：2018-04-25
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于实体关联性约束的表示学习方法，属于自然语言处理以及知识图谱技术领域。本发明通过对实体的描述文本进行注解和关联性划分，得到实体的强关联实体集合和弱关联实体集合，将关联性作为辅助损失项融合到基于翻译的表示学习方法中，具体地通过样本负采样及模型训练，得到实体和关系的嵌入式表示，即将知识图谱中的头实体h、尾实体t以及头实体和尾实体之间的关系r，分别嵌入到向量h、向量t和向量r中。本发明所述方法在推理效果上优于基于翻译以及基于文本模型的表示学习方法。
-
公开(公告)号：CN108153912A
公开(公告)日：2018-06-12
申请号：CN201810067627.7
申请日：2018-01-24
Applicant: 北京理工大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于知识表示学习的协同矩阵分解方法，属于推荐系统以及表示学习技术领域。针对协同过滤算法中用户反馈数据的稀疏性问题，该方法从物品的知识图谱中学习其向量表示，并在此基础上联合地分解反馈矩阵和物品关联度矩阵，两种矩阵共享物品向量，利用物品的语义信息弥补反馈数据的缺失。实验结果表明，该方法显著地提升了矩阵分解模型的推荐效果，在一定程度上解决了协同过滤的冷启动问题。
-
Patent Agency Ranking
公开(公告)号：CN111191461B
公开(公告)日：2021-08-03
申请号：CN201911395765.9
申请日：2019-12-30
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于课程学习的远程监督关系抽取方法，属于人工智能和自然语言处理技术领域。本方法将关系抽取器看作学生网络，针对关系抽取任务，设计一个导师网络来监督关系抽取器的训练过程。导师网络接收关系抽取器的相关特征信息输入，学习出包中每个句子的权重，然后将其反馈到关系抽取器中，使得质量好的句子更多参与到关系抽取器的训练过程中。本方法为了高效地协同训练两个网络，在交替局部梯度下降方法基础上进行改进，提出一种适用于关系抽取任务的联合优化方法。本发明提高了噪声环境下关系抽取的效果，在主流的关系抽取数据集中优于传统方法。
-
公开(公告)号：CN108804565B
公开(公告)日：2021-04-13
申请号：CN201810499629.3
申请日：2018-05-23
Applicant: 北京理工大学
IPC: G06F16/36
Abstract: 本发明涉及一种基于知识表示学习的协同矩阵分解方法，属于推荐系统以及表示学习技术领域。针对协同过滤算法中用户反馈数据的稀疏性问题，在物品的知识图谱上进行随机游走采样，学习其向量表示，并在此基础上联合地分解反馈矩阵和物品关联度矩阵，具体基于根据物品的共现情况计算物品的关联度矩阵，然后基于矩阵分解模型采用协同矩阵分解方法联合地分解用户对物品的反馈矩阵和物品的关联度矩阵；最后，两种矩阵共享物品向量，利用物品的语义信息弥补反馈数据的缺失。实验结果表明，该方法显著地提升了矩阵分解模型的推荐效果，在一定程度上解决了协同过滤的冷启动问题。
-
公开(公告)号：CN108647258A
公开(公告)日：2018-10-12
申请号：CN201810377516.6
申请日：2018-04-25
Applicant: 北京理工大学
CPC classification number: G06K9/6256
Abstract: 本发明涉及一种基于实体关联性约束的表示学习方法，属于自然语言处理以及知识图谱技术领域。本发明通过对实体的描述文本进行注解和关联性划分，得到实体的强关联实体集合和弱关联实体集合，将关联性作为辅助损失项融合到基于翻译的表示学习方法中，具体地通过样本负采样及模型训练，得到实体和关系的嵌入式表示，即将知识图谱中的头实体h、尾实体t以及头实体和尾实体之间的关系r，分别嵌入到向量h、向量t和向量r中。本发明所述方法在推理效果上优于基于翻译以及基于文本模型的表示学习方法。
-
公开(公告)号：CN108804565A
公开(公告)日：2018-11-13
申请号：CN201810499629.3
申请日：2018-05-23
Applicant: 北京理工大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于知识表示学习的协同矩阵分解方法，属于推荐系统以及表示学习技术领域。针对协同过滤算法中用户反馈数据的稀疏性问题，在物品的知识图谱上进行随机游走采样，学习其向量表示，并在此基础上联合地分解反馈矩阵和物品关联度矩阵，具体基于根据物品的共现情况计算物品的关联度矩阵，然后基于矩阵分解模型采用协同矩阵分解方法联合地分解用户对物品的反馈矩阵和物品的关联度矩阵；最后，两种矩阵共享物品向量，利用物品的语义信息弥补反馈数据的缺失。实验结果表明，该方法显著地提升了矩阵分解模型的推荐效果，在一定程度上解决了协同过滤的冷启动问题。
-
公开(公告)号：CN111191461A
公开(公告)日：2020-05-22
申请号：CN201911395765.9
申请日：2019-12-30
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于课程学习的远程监督关系抽取方法，属于人工智能和自然语言处理技术领域。本方法将关系抽取器看作学生网络，针对关系抽取任务，设计一个导师网络来监督关系抽取器的训练过程。导师网络接收关系抽取器的相关特征信息输入，学习出包中每个句子的权重，然后将其反馈到关系抽取器中，使得质量好的句子更多参与到关系抽取器的训练过程中。本方法为了高效地协同训练两个网络，在交替局部梯度下降方法基础上进行改进，提出一种适用于关系抽取任务的联合优化方法。本发明提高了噪声环境下关系抽取的效果，在主流的关系抽取数据集中优于传统方法。
-
-
-
-
-
-
Search Results
7
records
(took 0.039 seconds)
