-
公开(公告)号：CN114912434A
公开(公告)日：2022-08-16
申请号：CN202210495306.3
申请日：2022-05-07
申请人： 国家计算机网络与信息安全管理中心 , 中国科学院自动化研究所
IPC分类号： G06F40/211 , G06F40/253 , G06F40/268 , G06N3/04 , G06N3/08 , G06N5/02 , G06K9/62
摘要： 本发明公开了一种风格文本的生成方法及装置、存储介质、电子设备，其中，该方法包括：根据特征词和观点词构建句法模板；根据所述句法模板提取文本特征标签组合；确定目标风格文本的目标写作风格，将所述目标写作风格的风格参数作为生成条件嵌入Bert生成模型中，生成目标Bert语言表征模型；以所述文本特征标签组合为所述目标Bert语言表征模型的输入，生成与所述目标写作风格对应的条件文本。通过本发明，解决了相关技术采用网络模型生成的文本风格单一的技术问题，本方案可用于在信息传播过程中生成更多优质内容和个性化内容，提高文本的丰富度，提升传播影响力。
-
公开(公告)号：CN109977227B
公开(公告)日：2021-06-22
申请号：CN201910205999.6
申请日：2019-03-19
申请人： 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC分类号： G06F16/35 , G06F40/289 , G06F40/12 , G06N3/00 , G06N3/12
摘要： 本发明属于信息分类领域，具体涉及了一种基于特征编码的文本特征提取方法、系统、装置，旨在解决文本特征提取中运算复杂度高、分类效率和精度低的问题。本发明方法包括：对获取的文本预处理，获得词候选特征序列；基于词候选特征序列，生成多个二进制编码；采用基因遗传算法筛选二进制编码，获得最优二进制编码；解码最优二进制编码获得最优词特征序列并输出。本发明将一系列候选特征转化为易处理的编码序列，并使用基因遗传算法的自动筛选功能，对特征进行最大化的全局最优挑选，能够有效地筛选出最小有效特征集。
-
公开(公告)号：CN111859979A
公开(公告)日：2020-10-30
申请号：CN202010549940.1
申请日：2020-06-16
申请人： 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC分类号： G06F40/30 , G06F40/289 , G06F16/953 , G06N3/04
摘要： 本申请涉及一种讽刺文本协同识别方法、装置、设备及计算机可读介质。该方法包括：获取待处理文本，待处理文本来自于社交媒体网络平台；提取待处理文本的语义特征信息和主题特征信息，语义特征信息用于表征待处理文本与讽刺类型的关联关系，主题特征信息用于表征待处理文本体现的讽刺主题；根据第一神经网络模型对语义特征信息和主题特征信息的识别结果确定待处理文本的文本类型，并确定待处理文本的主题标签。本申请利用表征语义情感的特征和表征讽刺主题的特征对待处理文本进行协同识别，既确定是否带有讽刺含义，在具备讽刺含义的情况下还同时识别出体现讽刺的主题，实现有主题区分度的文本语义表示，有效提高了讽刺识别的准确率和解释性。
-
公开(公告)号：CN110083699A
公开(公告)日：2019-08-02
申请号：CN201910202638.6
申请日：2019-03-18
申请人： 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC分类号： G06F16/35
摘要： 本发明提出了一种基于深度神经网络的新闻流行度预测模型训练方法，包括：获取特定主题设定时间段的新闻文章数据，用Pandas进行数据清洗后按照设定时间长度进行顺次分组，获取按时间顺序排列得到新闻流行度序列；依据所述新闻流行度序列，从第一个流行度开始依次按照采样长度为w的连续序列作为输入样本，并采样其之后一期的数据作为输出样本，构建训练样本集；随机从训练样本集中选择训练样本对基于LSTM网络的新闻流行度预测模型进行训练，并采用Pearson相关系数进行关联性分析删除不良的训练样本，循环训练过程至训练结束。本发明可以获得用来对无趋势性、无季节性及非线性新闻流行度进行较高准确率预测的新闻流行度预测模型。
-
公开(公告)号：CN108470046B
公开(公告)日：2020-12-01
申请号：CN201810184478.2
申请日：2018-03-07
申请人： 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC分类号： G06F16/9535 , G06F16/34
摘要： 本发明涉及计算机技术领域，具体提供了一种基于新闻事件搜索语句的新闻事件排序方法及系统，旨在解决在考虑用户主观信息的情况下，如何实现新闻事件排序的技术问题。为此目的，本发明中的新闻事件排序方法，能够通过预设的新闻事件排序模型对预先获取的新闻事件搜索语句进行识别，得到按照相关度大小排序的新闻事件排序结果。其中，新闻事件搜索语句包含能够表征用户情感倾向的用户主观信息。基于此，本发明能够结合用户对新闻事件的情感倾向，按照新闻事件与用户偏好相关程度进行排序，从而提高新闻事件排序结果的准确性。同时，本发明中的系统能够执行并实现上述方法。
-
公开(公告)号：CN108805254A
公开(公告)日：2018-11-13
申请号：CN201810393788.5
申请日：2018-04-27
申请人： 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC分类号： G06N3/00
CPC分类号： G06N3/006
摘要： 本发明属于时序预测技术领域，具体提供了一种时序预测的参数优选系统，旨在解决现有技术对先验知识要求高、可拓展途径较低、时间复杂度高、实际可行度低以及鲁棒性差的技术问题。为此目的，本发明提供的参数优化系统包括参数优化模块，参数优化模块配置为基于预先构建的参数优化模型对预先获取的时序预测模型进行参数优化。其中，参数优化模块包括空间调控单元以及收敛调控单元；空间调控单元配置为基于第一权重函数调控参数优化模块的空间搜索范围；收敛调控单元配置为基于第二权重函数调控参数优化模块的收敛速率。本发明的系统增加了分布式表现，各个个体可以高效交流、协作，且提高了算法的性能。
-
公开(公告)号：CN108763319A
公开(公告)日：2018-11-06
申请号：CN201810396753.7
申请日：2018-04-28
申请人： 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
CPC分类号： G06Q50/01 , G06N3/0454
摘要： 本发明属于计算机技术领域，具体提供了一种融合用户行为和文本信息的社交机器人检测方法和系统。旨在解决现有技术手动选取特征、忽略社交媒体帖子之间的逻辑性和时序性以及忽略社交平台用户行为信息的问题，本发明的社交机器人的检测方法包括获取待检测社交媒体用户的历史网络数据和好友网络数据；基于上述数据得到用户文本特征向量、行为特征向量以及好友网络特征向量，并将其融合，得到待检测社交媒体用户的用户特征向量；对用户特征向量进行检测，输出检测结果。本发明的方法更加符合社交媒体自身的特性，从多个维度分析待检测社交媒体用户，提升了检测准确率。本发明的系统同样具有上述有益效果。
-
公开(公告)号：CN111859980B
公开(公告)日：2024-04-09
申请号：CN202010549951.X
申请日：2020-06-16
申请人： 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC分类号： G06F40/30 , G06F40/289 , G06F16/9536 , G06N3/0442 , G06N3/0464 , G06N3/084
摘要： 本申请涉及一种讽刺类型的文本识别方法、装置、设备及计算机可读介质。该方法包括：获取待处理文本，待处理文本来自于社交媒体网络平台；采用多种方式提取待处理文本的目标特征信息，目标特征信息为从特征集合中选择出来的多个特征信息的加权和表示；根据第一神经网络模型对目标特征信息的识别结果确定待处理文本的文本类型，第一神经网络模型是采用具有标记信息的训练数据对第二神经网络模型进行训练后得到的，标记信息用于标记训练数据是否为目标类型。本申请从多个维度捕获词间关联特征，并从讽刺文本的情感倾向转换出发，挖掘词语间的冲突性，进而充分体现句子中地所蕴含的讽刺含义，最终准确、合理地识别讽刺文本。
-
公开(公告)号：CN114330321A
公开(公告)日：2022-04-12
申请号：CN202111666897.8
申请日：2021-12-31
申请人： 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC分类号： G06F40/279 , G06K9/62 , G06N3/04 , G06N3/08 , G06N5/02
摘要： 本发明公开了一种用户先验知识增强的文本风格迁移方法、装置及电子设备，所述方法包括：获取用户先验知识数据，并基于所述用户先验知识数据构建预设神经网络模型；获取用户输入数据，并将所述用户输入数据映射至所述预设神经网络模型中，生成与所述用户输入数据的表达方式不同的目标文本内容表示；获取用户关注领域表示，并结合所述目标文本内容表示和用户关注领域表示，生成目标文本内容。本发明不仅可以实现文本风格的转换，还提升了转换文本内容与用户要求的相关性。
-
公开(公告)号：CN110083699B
公开(公告)日：2021-01-12
申请号：CN201910202638.6
申请日：2019-03-18
申请人： 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC分类号： G06F16/35
摘要： 本发明提出了一种基于深度神经网络的新闻流行度预测模型训练方法，包括：获取特定主题设定时间段的新闻文章数据，用Pandas进行数据清洗后按照设定时间长度进行顺次分组，获取按时间顺序排列得到新闻流行度序列；依据所述新闻流行度序列，从第一个流行度开始依次按照采样长度为w的连续序列作为输入样本，并采样其之后一期的数据作为输出样本，构建训练样本集；随机从训练样本集中选择训练样本对基于LSTM网络的新闻流行度预测模型进行训练，并采用Pearson相关系数进行关联性分析删除不良的训练样本，循环训练过程至训练结束。本发明可以获得用来对无趋势性、无季节性及非线性新闻流行度进行较高准确率预测的新闻流行度预测模型。
-
-
-
-
-
-
-
-
-
搜索结果
189 条记录 (耗时 0.127 秒)
