-
公开(公告)号：CN115221956A
公开(公告)日：2022-10-21
申请号：CN202210830120.9
申请日：2022-07-15
Applicant: 重庆邮电大学
Abstract: 本发明属于图神经网络分析领域，具体涉及一种跨社交网络用户对齐方法，具体包括：从两个社交网络中获取用户节点，进行节点标签初始化；标签初始化后进行节点标签的传播与映射；标签的传播与映射后节点进行向量的表示学习，完成向量表示更新；利用损失函数拉近更新后的非锚节点的向量表示，同时拉近相同标签的节点余弦距离，完成跨社交网络用户对齐。本发明设计了本方法中的标签传播规则，使得在对齐过程中，锚节点不停会播自身信息和映射达到收敛，同时与节点嵌入表示学习交替进行，学习每个用户节点在向量空间中的表示，使得本方法在跨社交网络用户对齐时保持精准匹配表现。
-
公开(公告)号：CN112270193A
公开(公告)日：2021-01-26
申请号：CN202011201643.4
申请日：2020-11-02
Applicant: 重庆邮电大学
IPC: G06F40/295 , G06F40/30 , G06K9/62 , G06N3/04
Abstract: 本发明涉及自然语言处理领域，具体涉及一种基于BERT‑FLAT的中文命名实体识别方法，包括：将任意中文句子输入训练好的实体识别模型中，输出训练集中每个句子的词性标注结果，得到命名实体识别结果。本发明基于BERT‑Flat‑Lattice‑CRF的实体识别模型，BERT预训练语言模型和Flat‑Lattice结构，从大规模语料库中学习的BERT预训练语言模型可以通过上下文计算单词的向量表征，可以表征单词的多义性，增强句子的语义表征；Flat‑Lattice结构引入了词汇信息，充分地挖掘出文本中潜在的隐藏信息，达到词汇增强效果，显著地提升了中文命名实体识别的准确率。
-
Patent Agency Ranking
公开(公告)号：CN115130657A
公开(公告)日：2022-09-30
申请号：CN202210733156.5
申请日：2022-06-27
Applicant: 重庆邮电大学
Abstract: 本发明属于互联网技术领域，具体涉及一种社交网络对齐方法，采集网络用户数据，按照用户关系形成第一社交网络图和第二社交网络图，取一部分用户构成用户对形成第三社交网络图，计算出邻接矩阵，将邻接矩阵输入编码器得到第一用户节点表示矩阵；将第一用户节点表示矩阵和邻接矩阵输入去噪模型，得出遮盖矩阵；根据遮盖矩阵与邻接矩阵，得出遮盖邻接矩阵将遮盖邻接矩阵输入编码器得到第二用户节点表示矩阵；根据第二用户节点表示矩阵，得出第一相似度和第二相似度的差值并更新去噪模型的学习参数；输出更新后的遮盖邻接矩阵，根据遮盖邻接矩阵对网络图中的用户对齐；本发明能去除社交网络中由于存在相同用户而产生的噪声，提高社交网络对齐的效果。
-
公开(公告)号：CN112416956A
公开(公告)日：2021-02-26
申请号：CN202011300093.1
申请日：2020-11-19
Applicant: 重庆邮电大学
Abstract: 本发明属于自然语言处理领域，具体涉及一种基于BERT和独立循环神经网络(IndRNN)的问句分类方法，包括：实时获取待分类的问句数据，将待分类的问句数据输入到训练好的问句分类模型中，得到分类后的数据；问句分类模型包括BERT模型和基于注意力机制的IndRNN模型；本发明利用BERT模型，得到的向量序列能捕捉更多的内在信息，相对RNN更加高效、能捕捉更长距离的依赖，提高预测精度。
-
公开(公告)号：CN112416956B
公开(公告)日：2023-04-07
申请号：CN202011300093.1
申请日：2020-11-19
Applicant: 重庆邮电大学
IPC: G06F16/23 , G06F16/35 , G06F40/30 , G06F18/214 , G06N3/084 , G06N3/0442
Abstract: 本发明属于自然语言处理领域，具体涉及一种基于BERT和独立循环神经网络(IndRNN)的问句分类方法，包括：实时获取待分类的问句数据，将待分类的问句数据输入到训练好的问句分类模型中，得到分类后的数据；问句分类模型包括BERT模型和基于注意力机制的IndRNN模型；本发明利用BERT模型，得到的向量序列能捕捉更多的内在信息，相对RNN更加高效、能捕捉更长距离的依赖，提高预测精度。
-
公开(公告)号：CN115908940A
公开(公告)日：2023-04-04
申请号：CN202211576322.1
申请日：2022-12-09
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于图神经网络分析领域，具体涉及到一种一种基于图元表示的图神经网络图数据分类方法；包括获取图数据集并进行划分，即将数据计划分为训练集和测试集；使用图元识别方法得到图数据中的图元集；构建图神经网络模型并进行预训练；基于图元集对图元区域进行特征遮罩从而得到图元区域向量表示；基于图元向量表示和未被图元覆盖的子图区域向量表示得到图级别向量表示；构建线性分类模型；依据此模型和图级别向量表示得到图数据分类结果；本发明采用图神经表示学习方法得到预训练的图神经网络模型，随后通过对图元节点进行序列特征遮罩得到图元区域向量表示和未被图元区域覆盖的子图区域向量表示，以得到图级别向量表示，从而学习到更易区分的图级别向量表示，提高了图数据分类的准确性。
-
公开(公告)号：CN115221253A
公开(公告)日：2022-10-21
申请号：CN202210850951.2
申请日：2022-07-20
Applicant: 重庆邮电大学
IPC: G06F16/28 , G06F16/242 , G06N3/08
Abstract: 本发明属于知识图谱补全领域，具体涉及到一种基于解耦表示的知识图谱补全方法；包括获取待补全知识图谱中的全部有效三元组进行预处理，也就是划分支持集和查询集；构建基于解耦表示学习的知识图谱补全模型；根据该模型来对待补全知识图谱进行补全；本发明采用解耦表示学习和小样本学习相结合的方式，通过解耦表示学习方法来学习实体多个通道的表示，进而对查询集进行更加精确的匹配，来提高在长尾关系非常多的场景下知识图谱补全的准确性。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
