-
公开(公告)号：CN112989005B
公开(公告)日：2022-07-12
申请号：CN202110410370.2
申请日：2021-04-16
IPC: G06F16/332 , G06F16/33 , G06F16/35 , G06F16/36 , G06F40/14 , G06F40/247 , G06F40/295 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于知识图谱自动问答领域，具体涉及一种基于分阶段查询的知识图谱常识问答方法及系统，包括：获取问题语句，对问题语句进行预处理，转化为问句序列；将问句序列输入到训练好的改进的问答模型中，得到问答结果；改进的问答模型包括实体识别模型、约束语识别模型以及问题结构分类模型；本发明将复杂问题或简单问题转化成基于语句结构的问题语义结构树，通过更新待定节点一步步寻找问题答案，从繁琐到简单，把查找过程简单化。
-
公开(公告)号：CN113076744A
公开(公告)日：2021-07-06
申请号：CN202110410046.0
申请日：2021-04-16
IPC: G06F40/284 , G06F16/35 , G06F40/216 , G06N3/04
Abstract: 本发明涉及自然语言处理领域，具体涉及一种基于卷积神经网络的文物知识关系抽取方法，包括：获取文物数据集，并对文物数据进行预处理，得到预处理后的文物数据；通过Word2vec的Skip－gram模型对预处理后的文物数据进行词向量的转化，提取句子中每个单词的词汇级别特征；提取文物数据中每条句子的句子级别特征；将所提取的词汇级别特征和句子级别特征进行拼接，得到拼接后的特征向量，将拼接后的特征向量作为分类任务的特征数据，接入全连接层；在全连接层将特征数据经线性变换，再通过Softmax分类器计算分类预测值，得到该句子对应关系的置信度得分。本发明提取的特征置信度更高，提高了关系抽取的效率。
-
公开(公告)号：CN112989005A
公开(公告)日：2021-06-18
申请号：CN202110410370.2
申请日：2021-04-16
IPC: G06F16/332 , G06F16/33 , G06F16/35 , G06F16/36 , G06F40/14 , G06F40/247 , G06F40/295 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于知识图谱自动问答领域，具体涉及一种基于分阶段查询的知识图谱常识问答方法及系统，包括：获取问题语句，对问题语句进行预处理，转化为问句序列；将问句序列输入到训练好的改进的问答模型中，得到问答结果；改进的问答模型包括实体识别模型、约束语识别模型以及问题结构分类模型；本发明将复杂问题或简单问题转化成基于语句结构的问题语义结构树，通过更新待定节点一步步寻找问题答案，从繁琐到简单，把查找过程简单化。
-
公开(公告)号：CN115496072A
公开(公告)日：2022-12-20
申请号：CN202211136425.6
申请日：2022-09-19
Applicant: 重庆中国三峡博物馆
Abstract: 本发明涉及自然语言处理中关系抽取技术领域，具体涉及一种基于对比学习的关系抽取方法；包括构建基于对比学习的关系抽取模型；获取无标签文本数据集和带标签关系抽取数据，通过SciPy Parser工具处理分别得到无标签文本语义依存图集和标签关系抽取文本语义依存图集；采用无标签文本数据集和无标签文本语义依存图集对关系抽取模型进行预训练；采用带标签关系抽取数据集和标签关系抽取文本语义依存图集，对预训练好的关系抽取模型进行微调训练；将待抽取数据输入微调训练完成的关系抽取模型，得到关系抽取结果；本发明将关系抽取标签数据有监督学习和无标签文本自监督学习潜在语义特征结合起来，提取适用于关系抽取的丰富的特征。
-
-
-
Search Results
4
records
(took 0.047 seconds)
