-
公开(公告)号：CN113535984B
公开(公告)日：2023-05-26
申请号：CN202110919665.2
申请日：2021-08-11
Applicant: 华侨大学
IPC: G06F16/36 , G06F40/30 , G06F18/2415 , G06N3/0464 , G06N3/08 , G06Q10/04
Abstract: 本发明公开了一种基于注意力机制的知识图谱关系预测方法及装置，利用Trans模型获得三元组实体的嵌入，将三元组中的关系当作头实体和尾实体间翻译操作，得到三元组向量表示，针对知识图谱中三元组实体描述的全部文本信息采用Doc2Vec模型进行嵌入，得到实体描述向量表示，通过Trans模型得到的三元组向量表示与实体层次类型映射矩阵结合，得到实体类型向量表示，采用融合三元组向量表示、实体描述向量表示以及实体类型向量表示的三元组实体向量作为编码器输入，编码器基于知识图谱设计注意力机制，得到关系层次、实体层次、三元组层次的权重，解码器则利用ConvKB模型重构知识图谱，进行关系预测。本发明可用于知识图谱推理，根据已知的知识推理出未知的潜在的知识。
-
公开(公告)号：CN111753101A
公开(公告)日：2020-10-09
申请号：CN202010623201.2
申请日：2020-06-30
Applicant: 华侨大学
Abstract: 本发明提出了一种融合实体描述及类型的知识图谱表示学习方法，包括以下步骤：步骤S1：利用翻译模型获得三元组实体的嵌入，将三元组中的关系当作头实体和尾实体间翻译操作，得到每个三元组实体和关系的数值向量表示；步骤S2：采用Doc2Vec模型，对实体描述的文本信息进行嵌入；步骤S3：通过Trans模型得到的实体嵌入，与实体层次类型映射矩阵结合，得到三元组实体类型的嵌入；步骤S4：将所有的表示向量进行连接，得到最终的三元组实体向量，采用随机梯度下降的方法优化训练模型，进行效果评估。本发明提出的方法，通过实体描述及实体类型的嵌入，提高了知识图谱三元组实体表示的语义信息。
-
公开(公告)号：CN110110094A
公开(公告)日：2019-08-09
申请号：CN201910323380.5
申请日：2019-04-22
Applicant: 华侨大学
IPC: G06F16/36 , G06F16/9535 , G06Q50/00
Abstract: 本发明公开了基于社交网络知识图谱的跨网络人物关联方法，属于知识图谱与社交网络分析领域，包括以下步骤：步骤1.训练词向量；步骤2.发现候选实体；步骤3.根据社交网络知识图谱的结构特征，计算网络度量指标；步骤4.用户向量生成；步骤5.定义社交网络结构相似度和用户画像语义相似度；步骤6.融合相似度计算，根据融合相似度确定待关联的人物实体的跨网络人物关联的最终节点。该发明可用于社交网络中挖掘用户信息，发现重要节点，也可以用作对重要节点信息的补全，为精准推荐提供数据支撑。
-
Patent Agency Ranking
公开(公告)号：CN111985247B
公开(公告)日：2022-08-26
申请号：CN202010895778.9
申请日：2020-08-31
Applicant: 华侨大学
IPC: G06F40/30 , G06F40/258 , G06F40/242 , G06F16/35 , G06V10/82 , G06V30/19 , G06N3/04
Abstract: 一种基于多粒度文本特征表示的微博用户兴趣识别方法，包括：对获取的语料进行预处理，包括文本清洗、分词、去停用词和数据过滤；从主题层、词序层和词汇层三个方面构造文本向量；对所述主题向量、语义向量和词义向量按顺序进行拼接融合，得到多粒度的文本特征表示；将多粒度的文本特征表示输入CNN模型中进行训练分类，得到微博用户兴趣识别的结果，并根据文本分类问题的评价指标进行效果评估。本发明提供的方法，综合多粒度文本特征的考量，提高了模型的表征能力，进而提高文本分类的准确性，达到精准分类的效果，能够解决社交网络文本表示模型解释性差、特征稀疏和词序语义表达不足的问题。
-
公开(公告)号：CN111985247A
公开(公告)日：2020-11-24
申请号：CN202010895778.9
申请日：2020-08-31
Applicant: 华侨大学
IPC: G06F40/30 , G06F40/258 , G06F40/242 , G06F16/35 , G06K9/62 , G06N3/04
Abstract: 一种基于多粒度文本特征表示的微博用户兴趣识别方法，包括：对获取的语料进行预处理，包括文本清洗、分词、去停用词和数据过滤；从主题层、词序层和词汇层三个方面构造文本向量；对所述主题向量、语义向量和词义向量按顺序进行拼接融合，得到多粒度的文本特征表示；将多粒度的文本特征表示输入CNN模型中进行训练分类，得到微博用户兴趣识别的结果，并根据文本分类问题的评价指标进行效果评估。本发明提供的方法，综合多粒度文本特征的考量，提高了模型的表征能力，进而提高文本分类的准确性，达到精准分类的效果，能够解决社交网络文本表示模型解释性差、特征稀疏和词序语义表达不足的问题。
-
公开(公告)号：CN110110094B
公开(公告)日：2022-07-01
申请号：CN201910323380.5
申请日：2019-04-22
Applicant: 华侨大学
IPC: G06F16/36 , G06F16/9535 , G06Q50/00
Abstract: 本发明公开了基于社交网络知识图谱的跨网络人物关联方法，属于知识图谱与社交网络分析领域，包括以下步骤：步骤1.训练词向量；步骤2.发现候选实体；步骤3.根据社交网络知识图谱的结构特征，计算网络度量指标；步骤4.用户向量生成；步骤5.定义社交网络结构相似度和用户画像语义相似度；步骤6.融合相似度计算，根据融合相似度确定待关联的人物实体的跨网络人物关联的最终节点。该发明可用于社交网络中挖掘用户信息，发现重要节点，也可以用作对重要节点信息的补全，为精准推荐提供数据支撑。
-
公开(公告)号：CN111753101B
公开(公告)日：2022-06-07
申请号：CN202010623201.2
申请日：2020-06-30
Applicant: 华侨大学
Abstract: 本发明提出了一种融合实体描述及类型的知识图谱表示学习方法，包括以下步骤：步骤S1：利用翻译模型获得三元组实体的嵌入，将三元组中的关系当作头实体和尾实体间翻译操作，得到每个三元组实体和关系的数值向量表示；步骤S2：采用Doc2Vec模型，对实体描述的文本信息进行嵌入；步骤S3：通过Trans模型得到的实体嵌入，与实体层次类型映射矩阵结合，得到三元组实体类型的嵌入；步骤S4：将所有的表示向量进行连接，得到最终的三元组实体向量，采用随机梯度下降的方法优化训练模型，进行效果评估。本发明提出的方法，通过实体描述及实体类型的嵌入，提高了知识图谱三元组实体表示的语义信息。
-
公开(公告)号：CN113535984A
公开(公告)日：2021-10-22
申请号：CN202110919665.2
申请日：2021-08-11
Applicant: 华侨大学
Abstract: 本发明公开了一种基于注意力机制的知识图谱关系预测方法及装置，利用Trans模型获得三元组实体的嵌入，将三元组中的关系当作头实体和尾实体间翻译操作，得到三元组向量表示，针对知识图谱中三元组实体描述的全部文本信息采用Doc2Vec模型进行嵌入，得到实体描述向量表示，通过Trans模型得到的三元组向量表示与实体层次类型映射矩阵结合，得到实体类型向量表示，采用融合三元组向量表示、实体描述向量表示以及实体类型向量表示的三元组实体向量作为编码器输入，编码器基于知识图谱设计注意力机制，得到关系层次、实体层次、三元组层次的权重，解码器则利用ConvKB模型重构知识图谱，进行关系预测。本发明可用于知识图谱推理，根据已知的知识推理出未知的潜在的知识。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.025 seconds)
