公开(公告)号：CN110277167A

公开(公告)日：2019-09-24

申请号：CN201910467618.1

申请日：2019-05-31

Applicant: 南京邮电大学

Inventor： 王堃 ,  高子云 ,  朱娟 ,  杨璐 ,  孙雁飞 ,  亓晋 ,  岳东

IPC: G16H50/30 ,  G06F16/36

Abstract: 本发明提出了一种基于知识图谱的慢性非传染性疾病风险预测系统，针对慢性非传染性疾病早期不易被发现、发病时间长、患者呈现年轻化等特点，利用知识图谱可快速有效地获取相关知识及知识之间逻辑关系的优点，利用决策树算法、BP神经网络算法等核心技术构建知识图谱，更为方便精确地为用户提供疾病风险预测结果，以减小医疗体系压力。

公开(公告)号：CN109558498A

公开(公告)日：2019-04-02

申请号：CN201811317084.6

申请日：2018-11-07

Applicant: 南京邮电大学

Inventor： 吴家皋 ,  杨璐 ,  刘林峰

IPC: G06F16/43 ,  G06K9/62

Abstract: 本发明揭示了一种基于深度学习的多模态哈希方法，包括如下步骤：S1、提取特征并依据特征生成相应的图像哈希二值码及文本哈希二值码；S2、通过损失函数训练网络，优化网络参数，将所生成的相似的图像哈希二值码和文本的哈希二值码映射到同一个样本空间内的相邻位置，最大化多模态相关性；S3、利用经过训练的网络，完成多模态相似性检索。本发明利用深度神经网络提取了同一实体的图像和文本的特征表示，其中，图像部分利用卷积神经网络提取图像的基本特征，文本部分利用Word2vec来训练语言模型，显著提高了检索的精度。