-
公开(公告)号：CN111444316B
公开(公告)日：2023-08-29
申请号：CN202010166812.9
申请日：2020-03-11
申请人： 浙江大学
IPC分类号： G06F16/33 , G06F16/332 , G06F16/36 , G06N3/0442 , G06N3/045 , G06N3/048 , G06N3/084 , G06N3/092
摘要： 本发明公开了一种面向知识图谱问答的复合问句解析方法，包括：接收复合问题并获得中心词，作为查询的起点；在解耦器中，将复合问题分解为多个简单问题；在关系检测器中，计算各个简单问题与候选关系的匹配概率，选择概率最大的关系作为该简单问题所属的关系，以中心词为起点、各个简单问题所属的关系为边，在知识图谱中进行匹配，得到复合问题的预测答案；计算复合问题的预测答案与真实答案的损失值，使用优化算法迭代求解直至损失值收敛，得到复合问题的答案。本发明所述的复合问句解析方法结合强化学习的思想，将复合问题分解为简单问题，再通过各个简单问题的答案组合出原始复合问题的答案，提升了智能问答系统在回答复合问题时的表现。
-
公开(公告)号：CN112668633A
公开(公告)日：2021-04-16
申请号：CN202011561512.7
申请日：2020-12-25
申请人： 浙江大学
摘要： 本发明提供了一种基于细粒度领域自适应的图迁移学习方法，包括：(1)采集源域和目标域中的样本，并分别标注源域和目标域中的部分或全部样本，获得带标签的样本；(2)为带标签的样本分别构建源域图和目标域图；(3)将源域图中带标签的样本划分为训练集和验证集，将目标域图中带标签的样本视作测试集；(4)使用源域图的训练集及目标域样本训练图神经网络，得到至少两个参数不同的图神经网络；(5)使用源域图的验证集挑选图神经网络；(6)使用挑选出的图神经网络为目标域的样本预测标签；(7)通过对比目标域中全部带标签样本的真实标签和预测标签，得到评价结果。本发明使图迁移学习时可以从共享节点信息中学习领域无关特征。
-
公开(公告)号：CN111444316A
公开(公告)日：2020-07-24
申请号：CN202010166812.9
申请日：2020-03-11
申请人： 浙江大学
IPC分类号： G06F16/33 , G06F16/332 , G06F16/36 , G06N3/04
摘要： 本发明公开了一种面向知识图谱问答的复合问句解析方法，包括：接收复合问题并获得中心词，作为查询的起点；在解耦器中，将复合问题分解为多个简单问题；在关系检测器中，计算各个简单问题与候选关系的匹配概率，选择概率最大的关系作为该简单问题所属的关系，以中心词为起点、各个简单问题所属的关系为边，在知识图谱中进行匹配，得到复合问题的预测答案；计算复合问题的预测答案与真实答案的损失值，使用优化算法迭代求解直至损失值收敛，得到复合问题的答案。本发明所述的复合问句解析方法结合强化学习的思想，将复合问题分解为简单问题，再通过各个简单问题的答案组合出原始复合问题的答案，提升了智能问答系统在回答复合问题时的表现。
-
公开(公告)号：CN112669916B
公开(公告)日：2022-03-15
申请号：CN202011564310.8
申请日：2020-12-25
申请人： 浙江大学
摘要： 本发明公开了一种基于对比学习的分子图表示学习方法，包括：获取每个分子的分子指纹表示，计算每两个分子指纹之间的相似度；收集全量的化学官能团信息，为分子中的每个原子匹配对应的官能团；用异构图对分子图建模；利用结构感知分子编码器中的RGCN编码分子中每个原子的表示及其所属官能团的表示，通过聚合函数将分子映射到特征空间，得到具有结构感知的特征表示；根据分子之间的指纹相似度，选取正、负样本，在特征空间中进行对比学习；在大样本分子数据集上利用对比学习的方法进行训练，得到具有结构感知的分子编码器，应用于下游分子属性的预测任务。本发明有助于捕捉更丰富的分子结构信息，解决分子属性预测的问题。
-
公开(公告)号：CN113990408A
公开(公告)日：2022-01-28
申请号：CN202111181509.7
申请日：2021-10-11
申请人： 浙江大学
摘要： 本发明公开了一种基于化学元素知识图谱的分子图对比学习方法，包括：根据化学元素周期表中每个化学元素的所有化学属性，构建化学元素知识图谱；利用化学元素知识图谱对分子图进行图增强得到分子增强图；利用可插拔表示模型获得分子图和分子增强图的图表示；采用硬负样本挖掘技术选出与分子图在分子指纹空间相似的其他分子图作为负样本；将正样本对和负样本对的图表示映射到同一空间后，通过最大化正样本对之间的一致性同时最小化负样本对之间的一致性构建对比损失函数，利用对比损失函数进行优化学习；将参数确定的可插拔表示模型与非线性分类器形成预测模型，利用参数微调的预测模型进行分子图的分子性质的预测，以提升分子性质的预测准确性。
-
公开(公告)号：CN112669916A
公开(公告)日：2021-04-16
申请号：CN202011564310.8
申请日：2020-12-25
申请人： 浙江大学
摘要： 本发明公开了一种基于对比学习的分子图表示学习方法，包括：获取每个分子的分子指纹表示，计算每两个分子指纹之间的相似度；收集全量的化学官能团信息，为分子中的每个原子匹配对应的官能团；用异构图对分子图建模；利用结构感知分子编码器中的RGCN编码分子中每个原子的表示及其所属官能团的表示，通过聚合函数将分子映射到特征空间，得到具有结构感知的特征表示；根据分子之间的指纹相似度，选取正、负样本，在特征空间中进行对比学习；在大样本分子数据集上利用对比学习的方法进行训练，得到具有结构感知的分子编码器，应用于下游分子属性的预测任务。本发明有助于捕捉更丰富的分子结构信息，解决分子属性预测的问题。
-
公开(公告)号：CN112668633B
公开(公告)日：2022-10-14
申请号：CN202011561512.7
申请日：2020-12-25
申请人： 浙江大学
IPC分类号： G06V10/778 , G06V10/774 , G06V10/764 , G06V10/82 , G06N3/08 , G06N3/04
摘要： 本发明提供了一种基于细粒度领域自适应的图迁移学习方法，包括：(1)采集源域和目标域中的样本，并分别标注源域和目标域中的部分或全部样本，获得带标签的样本；(2)为带标签的样本分别构建源域图和目标域图；(3)将源域图中带标签的样本划分为训练集和验证集，将目标域图中带标签的样本视作测试集；(4)使用源域图的训练集及目标域样本训练图神经网络，得到至少两个参数不同的图神经网络；(5)使用源域图的验证集挑选图神经网络；(6)使用挑选出的图神经网络为目标域的样本预测标签；(7)通过对比目标域中全部带标签样本的真实标签和预测标签，得到评价结果。本发明使图迁移学习时可以从共享节点信息中学习领域无关特征。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.019 秒)
