公开(公告)号：CN115357799A

公开(公告)日：2022-11-18

申请号：CN202211081808.8

申请日：2022-09-05

Applicant: 南京邮电大学

Inventor： 刘尚东 ,  洪程 ,  季一木 ,  王汝传

IPC: G06F16/9535

Abstract: 本发明提供一种基于节点重要性的论文引用网络推荐方法及系统，该方法通过计算论文引用网络中各节点在全局范围内的节点重要程度GI(i)；计算各节点在局部范围内的节点重要程度LI(i)；使用信息熵加权法对节点的全局重要度GI(i)和局部重要度LI(i)做加权求和，得到节点最终重要度；对论文引用网络中各节点的重要度排序，重要度越高的表示当前节点代表的论文越重要，将重要度最高的论文推荐给用户；本发明从全局结构和局部结构两个角度充分考量节点的重要性，能够从复杂论文引用网络中快速精准推荐出最重要的论文。

公开(公告)号：CN113553828B

公开(公告)日：2023-06-16

申请号：CN202110823952.3

申请日：2021-07-21

Applicant: 南京邮电大学

Inventor： 季一木 ,  汤淑宁 ,  刘尚东 ,  刘凯航 ,  胡林 ,  请求不公布姓名 ,  洪程 ,  邱晨阳

IPC: G06F40/205 ,  G06F40/30 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于义原编码的层次级远程监督关系抽取方法，包括如下步骤：步骤1：将训练数据集中的所有句子，将包含相同实体对的句子分配到同一包中；步骤2：词向量编码；步骤3：位置向量编码；步骤4：PCNN特征提取；步骤5：层次级关系注意力机制；步骤6：构建超包级别训练实例；步骤7：训练调优，最终得到关系抽取模型。本发明利用关系之间的联系来丰富训练数据，通过顶层关系的粗粒度特征弥补训练数据不足的长尾部分，再从关系层次上构建超包，降低学到错误关系特征的影响并近似忽略整个句子包都是错误实例的可能，有效减少对数据的依赖，降低数据质量对最终结果的波动影响，从而提高关系抽取的准确率。

公开(公告)号：CN113553828A

公开(公告)日：2021-10-26

申请号：CN202110823952.3

申请日：2021-07-21

Applicant: 南京邮电大学

Inventor： 季一木 ,  汤淑宁 ,  刘尚东 ,  刘凯航 ,  胡林 ,  洪程 ,  邱晨阳 ,  其他发明人请求不公开姓名

IPC: G06F40/205 ,  G06F40/30 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于义原编码的层次级远程监督关系抽取方法，包括如下步骤：步骤1：将训练数据集中的所有句子，将包含相同实体对的句子分配到同一包中；步骤2：词向量编码；步骤3：位置向量编码；步骤4：PCNN特征提取；步骤5：层次级关系注意力机制；步骤6：构建超包级别训练实例；步骤7：训练调优，最终得到关系抽取模型。本发明利用关系之间的联系来丰富训练数据，通过顶层关系的粗粒度特征弥补训练数据不足的长尾部分，再从关系层次上构建超包，降低学到错误关系特征的影响并近似忽略整个句子包都是错误实例的可能，有效减少对数据的依赖，降低数据质量对最终结果的波动影响，从而提高关系抽取的准确率。