-
公开(公告)号:CN108519963B
公开(公告)日:2021-12-03
申请号:CN201810173183.5
申请日:2018-03-02
申请人: 山东科技大学
IPC分类号: G06F40/143 , G06F40/253 , G06F40/30 , G06F40/58 , G06F40/186
摘要: 本发明公开了一种将流程模型自动转换为多语言文本的方法,属于流程挖掘领域;本发明首先构建多语言文本模板,构建多语言领域词库,识别模型元素文本的语种;然后使用语义依存分析模型元素的文本信息,使用多语言翻译方法将解析的模型元素文本翻译成多种语言,为了使翻译结果更加准确,使用翻译结果筛选和跨语言语法结构调整方法优化翻译结果;使用RPST算法将流程模型结构划分成子流程,将模型元素的多语言文本信息和流程结构树结合,生成带注释的流程结构树;然后使用深度语法树从带注释流程结构树生成多语言文本;最后使用主语聚类、动词聚类和宾语聚类处理多语言文本,生成流程的多语言文本描述。
-
公开(公告)号:CN108665141A
公开(公告)日:2018-10-16
申请号:CN201810303640.8
申请日:2018-04-03
申请人: 山东科技大学
摘要: 本发明公开了一种从突发事件预案中自动抽取应急响应流程模型的方法,属于流程挖掘领域,采用应急预案文本段落结构树构建模块、四级响应启动条件表达式抽取模块、流程模型实体元素抽取模块、流程模型关系元素抽取模块、应急响应流程树生成模块和应急响应流程有向图模型生成模块;具体包括如下步骤:构建应急预案文本段落结构树;抽取应急响应流程模型元素;生成应急响应流程模型。本发明首先根据抽取出的流程模型元素和文本段落结构树生成应急响应流程树,然后再转化成应急响应流程有向图模型。本发明不仅可以辅助建模专家完成应急响应流程模型的构建和分析,也可以用于突发事件应急预案文本的检查和修订。
-
公开(公告)号:CN108563984A
公开(公告)日:2018-09-21
申请号:CN201810173213.2
申请日:2018-03-02
申请人: 山东科技大学
IPC分类号: G06K9/00
摘要: 本发明公开了一种流程模型图的自动识别与理解方法,属于流程挖掘领域;本发明首先构建基本图元模板,然后使用图元模板匹配流程模型图,识别流程模型图中的任务、活动、事件、网关、箭头等模型元素,并使用筛选技术去除重复匹配节点和错误匹配区域;然后使用流程模型图切割技术,获得包含文本的节点所在区域的图片,并使用OCR文字识别技术识别图片中的文本;然后对流程模型图进行灰度处理,获得并存储流程模型图的灰度值矩阵,最后根据模型图中箭头和最近邻节点的位置,在灰度值矩阵中遍历,识别有向边的开始节点和结束节点。本发明能够正确的识别模型节点的类型、模型节点的位置和模型节点中的文本,也能正确识别流程模型图中的有向边。
-
公开(公告)号:CN118656480B
公开(公告)日:2024-10-29
申请号:CN202411139139.4
申请日:2024-08-20
申请人: 山东科技大学
IPC分类号: G06F16/332 , G06F16/36 , G06F16/9535 , G06F40/30 , G06N3/042 , G06N3/0464 , G06N3/0895 , G06N5/022
摘要: 本发明提供了一种基于超图兴趣学习和语义融合的对话推荐方法,涉及会话推荐技术领域,首先构建基于知识的对比预训练编码学习模块;将历史对话会话片段作为输入,根据超图卷积网络,构建多角度超图,得到用户历史偏好;学习用户当前兴趣,得到含有知识的当前实体表示和利用超图得到的文本信息表示;从不同角度将不同粒度、不同视图之间的信息充分融合,得到最终的用户嵌入表示并获得推荐候选集;将用户历史偏好、含有知识的当前实体表示、文本信息表示以及推荐候选集,通过多层解码器与交叉注意力层,得到最终的回复语句。本发明的技术方案克服现有技术中的对话推荐方法不能学习对话信息中复杂的高阶关系、不能融合不同视图下的语义信息的问题。
-
公开(公告)号:CN118656480A
公开(公告)日:2024-09-17
申请号:CN202411139139.4
申请日:2024-08-20
申请人: 山东科技大学
IPC分类号: G06F16/332 , G06F16/36 , G06F16/9535 , G06F40/30 , G06N3/042 , G06N3/0464 , G06N3/0895 , G06N5/022
摘要: 本发明提供了一种基于超图兴趣学习和语义融合的对话推荐方法,涉及会话推荐技术领域,首先构建基于知识的对比预训练编码学习模块;将历史对话会话片段作为输入,根据超图卷积网络,构建多角度超图,得到用户历史偏好;学习用户当前兴趣,得到含有知识的当前实体表示和利用超图得到的文本信息表示;从不同角度将不同粒度、不同视图之间的信息充分融合,得到最终的用户嵌入表示并获得推荐候选集;将用户历史偏好、含有知识的当前实体表示、文本信息表示以及推荐候选集,通过多层解码器与交叉注意力层,得到最终的回复语句。本发明的技术方案克服现有技术中的对话推荐方法不能学习对话信息中复杂的高阶关系、不能融合不同视图下的语义信息的问题。
-
公开(公告)号:CN112231535B
公开(公告)日:2022-11-15
申请号:CN202011147063.1
申请日:2020-10-23
申请人: 山东科技大学
IPC分类号: G06F16/951 , G06F16/9535 , G06F40/289 , G06N20/00
摘要: 本发明涉及一种农业病虫害领域多模态数据集制作方法、处理装置和存储介质,包括步骤如下:首先,收集农业病虫害的类别,并建立层级分类系统;其次,搜集农业病虫害类别对应的农业技方以及农业病虫害类别对应的图片;最后,转换为结构化数据,并依次进行内容过滤、分词,获取农业病虫害领域文本模态数据集;对搜集的农业病虫害类别对应的图片中的无用图片做初步过滤,进行数据增强处理,得到农业病虫害领域图像模态数据集。本发明通用而高效,解决了数据来源和制作的难题,改善了以往数据集制作方法中摄像设备单一、采集地点有限、效率低、成本高、鲁棒性低等缺点,为深度学习的发展起到了推动作用。
-
公开(公告)号:CN115221137A
公开(公告)日:2022-10-21
申请号:CN202210727442.0
申请日:2022-06-24
申请人: 山东科技大学
摘要: 本发明公开了一种基于门控循环神经网络内部状态解释的流程日志识别方法,属于业务流程管理与深度学习的交叉领域,包括如下步骤:从业务信息系统记录的流程日志中挖掘Petri网模型,Petri网模型自动生成序列集,构造其可达图,获取可达状态构建可达状态集合;统计流程日志案例,训练分类识别模型并对隐状态进行分类得到隐状态类;定义映射函数,建立从隐状态类到Petri网可达图的可达状态集合之间的映射关系;基于完成训练和内部状态解释的门控循环神经网络对流程日志进行分类识别。本发明利用Petri网有效地提高了门控RNN内部状态的可解释性,可以更好的进行流程日志分类识别,以及管理业务流程及其流程日志。
-
公开(公告)号:CN108563984B
公开(公告)日:2021-12-03
申请号:CN201810173213.2
申请日:2018-03-02
申请人: 山东科技大学
IPC分类号: G06K9/00
摘要: 本发明公开了一种流程模型图的自动识别与理解方法,属于流程挖掘领域;本发明首先构建基本图元模板,然后使用图元模板匹配流程模型图,识别流程模型图中的任务、活动、事件、网关、箭头等模型元素,并使用筛选技术去除重复匹配节点和错误匹配区域;然后使用流程模型图切割技术,获得包含文本的节点所在区域的图片,并使用OCR文字识别技术识别图片中的文本;然后对流程模型图进行灰度处理,获得并存储流程模型图的灰度值矩阵,最后根据模型图中箭头和最近邻节点的位置,在灰度值矩阵中遍历,识别有向边的开始节点和结束节点。本发明能够正确的识别模型节点的类型、模型节点的位置和模型节点中的文本,也能正确识别流程模型图中的有向边。
-
公开(公告)号:CN113673773A
公开(公告)日:2021-11-19
申请号:CN202110978648.6
申请日:2021-08-25
申请人: 山东科技大学
摘要: 本发明公开了一种融合知识背景和学习时间预测的学习路径推荐方法,属于学习路径推荐技术领域,该研究同时满足学生有限时间约束和学习得分最大化,具体包括:(1)基于学生历史学习数据,利用关联规则算法挖掘概念图,生成包含概念层和学习资源层的两层概念图;(2)根据新学生知识背景,基于概念图利用深度优先搜索遍历得到所有可能的概念学习路径,并为每一个概念分配一组学习资源,继而针对每条学习路径预测所需学习时间、估算学习得分;(3)推荐满足学生有限学习时间且得分最高的学习路径。本发明能够根据学生的有限学习时间和知识背景推荐个性化的学习路径,满足了学生在时间限制下个性化学习的需要,有利于提高学生的学习效率和效果。
-
公开(公告)号:CN118968561A
公开(公告)日:2024-11-15
申请号:CN202411173574.9
申请日:2024-08-26
申请人: 山东科技大学
IPC分类号: G06V40/10 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/08 , G06N3/0464
摘要: 本发明属于行人检测技术领域,公开了一种基于结构重参数化的果园行人检测方法、系统、设备及介质。本发明基于改进的DINO模型搭建基于结构重参数化的目标检测网络模型。模型的骨干网络中使用了结构重参数化的方法,通过对模型结构进行重参数化操作,在模型部署阶段几乎不改变检测精度的前提下,极大缩小了网络的参数量,从而达到轻量化的目的。此外,模型的特征融合模块中引入渐进式的双向特征融合网络,融合高阶特征,以增强模型的表征能力,在模块内部对不同特征的特征图融合添加了不同的权重,以区分不同特征图的重要性。本发明还改进了模型损失函数度量,使用最小点距离损失函数进行边界框回归预测。
-
-
-
-
-
-
-
-
-