公开(公告)号：CN108363743A

公开(公告)日：2018-08-03

申请号：CN201810068857.5

申请日：2018-01-24

Applicant: 清华大学深圳研究生院

Inventor： 韩金新 ,  郑海涛 ,  王伟 ,  陈金元 ,  肖喜

IPC: G06F17/30 ,  G06F17/27

Abstract: 本发明公开了智能问题生成方法、装置和计算机可读存储介质，用于对输入的文章自动生成问题并输出，包括以下步骤：S1、利用seq2seq模型对所述文章进行关键内容的提取；S2、对所述关键内容中的每一个句子进行句法分析和命名实体识别，以建立每个句子相应的语法树；S3、利用所述语法树与预先建立的问题模板数据库中的问题模板进行匹配，若存在相匹配的问题模板，则将与所述语法树对应的句子转换为基于所述相匹配的问题模板的疑问句，从而生成问题；S4、对生成的所述问题利用神经网络进行排序后输出。

公开(公告)号：CN108363743B

公开(公告)日：2020-06-02

申请号：CN201810068857.5

申请日：2018-01-24

Applicant: 清华大学深圳研究生院

Inventor： 韩金新 ,  郑海涛 ,  王伟 ,  陈金元 ,  肖喜

IPC: G06F16/31 ,  G06F16/36 ,  G06F40/211

Abstract: 本发明公开了智能问题生成方法、装置和计算机可读存储介质，用于对输入的文章自动生成问题并输出，包括以下步骤：S1、利用seq2seq模型对所述文章进行关键内容的提取；S2、对所述关键内容中的每一个句子进行句法分析和命名实体识别，以建立每个句子相应的语法树；S3、利用所述语法树与预先建立的问题模板数据库中的问题模板进行匹配，若存在相匹配的问题模板，则将与所述语法树对应的句子转换为基于所述相匹配的问题模板的疑问句，从而生成问题；S4、对生成的所述问题利用神经网络进行排序后输出。

公开(公告)号：CN110210933A

公开(公告)日：2019-09-06

申请号：CN201910425004.7

申请日：2019-05-21

Applicant: 清华大学深圳研究生院

Inventor： 陈望 ,  郑海涛 ,  汪杨 ,  王伟 ,  赵从志

IPC: G06Q30/06 ,  G06Q30/02 ,  G06F17/27

Abstract: 本发明涉及一种基于生成对抗网络的隐语义推荐方法，包括如下步骤：S1、生成网络模型基于评论信息来预测用户喜欢的top-M商品列表以及最喜欢某个商品的top-N用户列表；其中M和N为正整数；S2、用判别模型区分生成模型预测的分数与真实的分数；S3、利用最大最小化竞争算法，使生成网络模型和判别模型基于评论信息和评分信息更好地学习到用户画像和商品表征，从而提高个性化推荐的精准度，其中，使用同一个隐语义模型来生成用户画像商品表征：当把用户评论向量作为模型输入时，模型生成用户画像；当把商品评论向量作为模型输入时，模型生成商品表征；通过使用同一个隐语义模型来确保共享同一个隐语义空间。本发明能提高个性化推荐的准确性。

公开(公告)号：CN110210933B

公开(公告)日：2022-02-11

申请号：CN201910425004.7

申请日：2019-05-21

Applicant: 清华大学深圳研究生院

Inventor： 陈望 ,  郑海涛 ,  汪杨 ,  王伟 ,  赵从志

IPC: G06Q30/06 ,  G06Q30/02 ,  G06F40/30

Abstract: 本发明涉及一种基于生成对抗网络的隐语义推荐方法，包括如下步骤：S1、生成网络模型基于评论信息来预测用户喜欢的top‑M商品列表以及最喜欢某个商品的top‑N用户列表；其中M和N为正整数；S2、用判别模型区分生成模型预测的分数与真实的分数；S3、利用最大最小化竞争算法，使生成网络模型和判别模型基于评论信息和评分信息更好地学习到用户画像和商品表征，从而提高个性化推荐的精准度，其中，使用同一个隐语义模型来生成用户画像商品表征：当把用户评论向量作为模型输入时，模型生成用户画像；当把商品评论向量作为模型输入时，模型生成商品表征；通过使用同一个隐语义模型来确保共享同一个隐语义空间。本发明能提高个性化推荐的准确性。

公开(公告)号：CN108563624A

公开(公告)日：2018-09-21

申请号：CN201810005504.0

申请日：2018-01-03

Applicant: 清华大学深圳研究生院

Inventor： 王伟 ,  郑海涛 ,  陈金元 ,  韩金新 ,  肖喜

IPC: G06F17/27 ,  G06F17/22 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的自然语言生成方法，包括使用已有的新闻和评论对评论生成装置进行训练，训练阶段包括以下步骤：S1，将已有的新闻和评论中的词进行向量化处理，获取新闻中各词对应的词向量和评论中各词对应的词向量；S2，获取新闻中各词的隐藏状态向量；S3，获取评论中各词的隐藏状态向量；S4，对于评论中的各词均进行处理，得到各词的新的隐藏状态向量；S5，根据步骤S4得到的评论中各词的新的隐藏状态向量预测各词对应的下一个词：根据当前词的隐藏状态向量得到词表内选中各个词的概率，取概率最大的词作为生成的评论中的当前词的下一个词。本发明可针对给定的新闻生成对应的新闻评论，且评论中取词的准确性较高。