公开(公告)号：CN116562299B

公开(公告)日：2023-11-14

申请号：CN202310143177.6

申请日：2023-02-08

Applicant: 中国科学院自动化研究所

Inventor： 何赛克 ,  闫硕 ,  张培杰 ,  曾大军

IPC: G06F40/30 ,  G06F40/211 ,  G06F40/295 ,  G06N3/0442

Abstract: 本发明提供一种文本信息的论元抽取方法、装置、设备及存储介质，方法包括：分析待处理的文本信息，得到文本信息对应的句法图；将句法图输入至预先设置的语义图生成模型中，得到语义图生成模型输出的文本信息对应的语义图；其中，语义图生成模型用于基于句法图中的向量特征构建语义图；将语义图和在文本信息中预先设置的触发词输入至预先设置的游走模型中，得到游走模型输出的目标路径和目标路径对应的论元抽取结果；其中，游走模型用于：以触发词对应的节点为起点，基于游走路径确定目标路径，并确定通过目标路径抽取的目标论元及其对应的类型，作为论元抽取结果。本发明实施例有效提高了模型的可解释性。

公开(公告)号：CN116187443A

公开(公告)日：2023-05-30

申请号：CN202310149607.5

申请日：2023-02-10

Applicant: 中国科学院自动化研究所

Inventor： 何赛克 ,  张培杰 ,  张玮光 ,  张立业 ,  闫硕 ,  曾大军

IPC: G06N5/022

Abstract: 本发明涉及数据处理技术领域，尤其涉及一种基于多维符号动力学的因果强度检测方法和检测装置。其中，因果强度检测方法包括，首先根据时间序列构建相空间中的吸引子，然后针对吸引子中的每个元素点，基于曼哈顿距离计算方法计算元素点的最近邻点，计算每个最近邻点对应的第一模式，对每个元素点的所有最近邻点的第一模式进行平均处理，得到每个元素点的平均模式，根据平均模式得到每个元素点的真实平均模式和预测平均模式，根据真实平均模式和预测平均模式计算因果强度值。依据本发明的因果强度检测方法可以提高因果强度值的检测效率。

公开(公告)号：CN116187443B

公开(公告)日：2024-05-24

申请号：CN202310149607.5

申请日：2023-02-10

Applicant: 中国科学院自动化研究所

Inventor： 何赛克 ,  张培杰 ,  张玮光 ,  张立业 ,  闫硕 ,  曾大军

IPC: G06N5/022

Abstract: 本发明涉及数据处理技术领域，尤其涉及一种基于多维符号动力学的因果强度检测方法和检测装置。其中，因果强度检测方法包括，首先根据时间序列构建相空间中的吸引子，然后针对吸引子中的每个元素点，基于曼哈顿距离计算方法计算元素点的最近邻点，计算每个最近邻点对应的第一模式，对每个元素点的所有最近邻点的第一模式进行平均处理，得到每个元素点的平均模式，根据平均模式得到每个元素点的真实平均模式和预测平均模式，根据真实平均模式和预测平均模式计算因果强度值。依据本发明的因果强度检测方法可以提高因果强度值的检测效率。

公开(公告)号：CN116562299A

公开(公告)日：2023-08-08

申请号：CN202310143177.6

申请日：2023-02-08

Applicant: 中国科学院自动化研究所

Inventor： 何赛克 ,  闫硕 ,  张培杰 ,  曾大军

IPC: G06F40/30 ,  G06F40/211 ,  G06F40/295 ,  G06N3/0442

Abstract: 本发明提供一种文本信息的论元抽取方法、装置、设备及存储介质，方法包括：分析待处理的文本信息，得到文本信息对应的句法图；将句法图输入至预先设置的语义图生成模型中，得到语义图生成模型输出的文本信息对应的语义图；其中，语义图生成模型用于基于句法图中的向量特征构建语义图；将语义图和在文本信息中预先设置的触发词输入至预先设置的游走模型中，得到游走模型输出的目标路径和目标路径对应的论元抽取结果；其中，游走模型用于：以触发词对应的节点为起点，基于游走路径确定目标路径，并确定通过目标路径抽取的目标论元及其对应的类型，作为论元抽取结果。本发明实施例有效提高了模型的可解释性。

公开(公告)号：CN113627596A

公开(公告)日：2021-11-09

申请号：CN202110914090.5

申请日：2021-08-10

Applicant: 中国科学院自动化研究所 ,  北京仿真中心

Inventor： 何赛克 ,  张连怡 ,  闫硕 ,  熊彦钧 ,  郑晓龙 ,  曾大军

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明属于多智能体系统的强化学习领域，具体涉及了一种基于动态图神经网络的多智能体对抗方法及系统，旨在解决现有基于图神经网络的多智能体模型训练速度慢、效率低以及图构建中需要较多人工干预的问题。本发明包括：获取每一个智能体的观测向量，并进行线性变换获得观测特征向量；计算相邻智能体之间的连接关系，构建智能体之间的图结构；结合观测特征向量对智能体之间的图结构进行嵌入表示；将嵌入表示用于动作网络的动作预测结果和评价网络的评价，进行网络时空并行训练；通过训练好的网络进行多智能体对抗中的动作预测和动作评价。本发明通过剪枝建立更真实的图关系，利用全连接神经网络加位置编码的实现时空并行训练，训练效率高、效果好。