-
公开(公告)号：CN111667238B
公开(公告)日：2022-07-29
申请号：CN202010453590.9
申请日：2020-05-26
Applicant: 南开大学
Abstract: 一种基于技能感知多注意力机制的招聘启事生成方法，涉及计算机应用技术领域。将基本信息数据拆分为词序列，初始化为词向量的形式作为词的浅层语义表示；利用全局的招聘启事数据构建知识图谱，输入经处理后的局部信息，初始化每个词的浅层语义表示，同时输入全局信息和对应基本信息。基于局部信息的输出，学习工作任务中每个词的高层语义表示生成技能词序列、文本词序列，并优化文本词序列中的技能词。本发明既考虑了局部的工作任务的语义特征以及基于它预测的技能词序列特征，又考虑了全局的先验专业技能知识语义特征，并将两部分预测到的词概率分布进行了加权求和，可以挖掘出招聘启事广告中的技能信息，提高了技能需求文档的生成质量。
-
公开(公告)号：CN108324373B
公开(公告)日：2020-11-27
申请号：CN201810222617.6
申请日：2018-03-19
Applicant: 南开大学
Abstract: 本发明公开了一种基于电磁定位系统的穿刺手术机器人精确定位实现方法，可应用于穿刺手术机器人，属于机器人控制领域。该方法包括以下步骤：(1)通过磁场导航装置获得电磁发生器坐标系和传感器坐标系间的变换矩阵；(2)通过机器人运动学模型计算机器人坐标系与传感器坐标系之间的变换矩阵；(3)计算电磁发生器坐标系和穿刺手术机器人坐标系间的变换矩阵；(4)对机器人工作空间进行分割和采样，获得采样点的误差信息；(5)应用空间插值方法对目标点进行误差补偿。采用此方法，可以减小手术机器人的定位误差，实现精确定位。具有精度高、成本低、计算简单等优点。
-
公开(公告)号：CN106779214B
公开(公告)日：2020-08-28
申请号：CN201611159984.3
申请日：2016-12-15
Applicant: 南开大学
IPC: G06F17/40
Abstract: 一种基于主题模型的多因素融合民航旅客出行预测方法。本发明首先构建旅客之间的关联图，并针对旅客偏好进行主题建模，进而构建旅客关联图出行主题模型(Passenger Graph based Travel Topic Model，PGTTM)，能够丰富主题信息、有效解决民航数据稀疏性问题；其次通过贝叶斯概率模型构建多因素融合预测框架，融合航线热度、PGTTM得到的旅客对航线偏好、旅客忠诚度和航空公司市场占有率信息，对旅客的未来出行进行精准预测。此发明能够有效预测旅客未来出行的航空公司和航线，可为航空及相关产业提供有效的决策支持，为旅客提供个性化服务。
-
公开(公告)号：CN110969014A
公开(公告)日：2020-04-07
申请号：CN201911124188.X
申请日：2019-11-18
Applicant: 南开大学
IPC: G06F40/284 , G06F40/295 , G06F40/30 , G06N3/08
Abstract: 一种基于同步神经网络的意见二元组抽取方法。在细粒度情感分析领域，意见二元组抽取是一个重要任务，该任务旨在挖掘意见句中包含的评价对象、评价词、以及两者间的修饰关系。给定意见句，本发明方法首先基于预训练语言模型BERT构建编码层，学习词的上下文语义。随后，交替构建多个识别层与同步层，以实现评价对象、评价词、以及两者间关系的同步抽取。具体地，识别层包含意见实体抽取与关系检测两个模块，同步层设计了两个同步矩阵(即，边界同步矩阵与关系同步矩阵)来记录识别层学习到的高层语义信息，并传递给下一个识别层，以实现意见实体抽取与关系检测的相互促进。最后，本方法利用一个推理层，基于识别层的结果获取最终的意见二元组。
-
公开(公告)号：CN106779090B
公开(公告)日：2019-03-08
申请号：CN201611159985.8
申请日：2016-12-15
Applicant: 南开大学
IPC: G06N20/00
Abstract: 一种基于自适应Dropout非负矩阵分解的特征学习模型。本发明基于对NMF中隐藏特征之间关系的分析，提出一种基于自适应Dropout非负矩阵分解的特征学习模型(Adaptive Dropout Non‑negative Matrix Factorization)，能够主动学习隐藏特征之间的相异度，并将其转化为隐藏特征的数据表示能力。然后在此基础上构造概率函数，并对隐藏特征进行Dropout，从而降低隐藏特征在优化过程中的相互影响，提高隐藏特征的语义独立性。本发明具有良好的可解释性和泛化性，能够在文本和图像数据上取得明显的性能提升，并能够应用到已有的基于NMF的算法中。此外，本发明还具有良好的可并行性，可以部署到并行平台上运行，用来处理大规模数据。
-
Patent Agency Ranking
公开(公告)号：CN108324373A
公开(公告)日：2018-07-27
申请号：CN201810222617.6
申请日：2018-03-19
Applicant: 南开大学
Abstract: 本发明公开了一种基于电磁定位系统的穿刺手术机器人精确定位实现方法，可应用于穿刺手术机器人，属于机器人控制领域。该方法包括以下步骤：(1)通过磁场导航装置获得电磁发生器坐标系和传感器坐标系间的变换矩阵；(2)通过机器人运动学模型计算机器人坐标系与传感器坐标系之间的变换矩阵；(3)计算电磁发生器坐标系和穿刺手术机器人坐标系间的变换矩阵；(4)对机器人工作空间进行分割和采样，获得采样点的误差信息；(5)应用空间插值方法对目标点进行误差补偿。采用此方法，可以减小手术机器人的定位误差，实现精确定位。具有精度高、成本低、计算简单等优点。
-
公开(公告)号：CN104965992A
公开(公告)日：2015-10-07
申请号：CN201510410117.1
申请日：2015-07-13
Applicant: 南开大学
Abstract: 本发明公开了一种基于在线医疗问答信息的文本挖掘方法，所述文本挖掘方法包括以下步骤：采用基于DOM和网页模板的网络数据抽取方式对已获取的原网页进行疾病问答信息的提取；在提取的疾病问答信息中通过条件随机场模型的特征，进行医疗命名实体识别；通过医疗命名实体识别对医疗实体关系进行挖掘。本方法可以有效获取各类实体之间潜在的关联关系。该方法适用于所有疾病类别的挖掘工作，而且具有一定的可扩展性。
-
公开(公告)号：CN103778142A
公开(公告)日：2014-05-07
申请号：CN201210404108.8
申请日：2012-10-23
Applicant: 南开大学
IPC: G06F17/30
CPC classification number: G06N5/025 , G06F17/2765
Abstract: 本发明公开了一种基于条件随机场的缩略词扩展解释识别方法，涉及机器学习领域和缩略词识别任务。本发明将传统的缩略词与扩展解释对的识别任务建模成一个序列标记任务，并采用条件随机场这一结构化模型来识别缩略词的扩展解释。针对缩略词识别任务的具体特点，发明设计并抽取了三类特征，包括拼写特征、与缩略词的对应特征、上下文相关特征，并对模型进行了改进。所设计的模型考虑了缩略词扩展解释的上下文信息和结构信息，并具有潜在稀疏特征学习能力，发明进一步设计了多种特征函数及其组合方法，从而更好地从文本序列中识别出可能的扩展解释。
-
公开(公告)号：CN111767409B
公开(公告)日：2022-08-30
申请号：CN202010539229.8
申请日：2020-06-14
Applicant: 南开大学
IPC: G06F16/36 , G06F16/35 , G06F40/289 , G06F40/30 , G06F40/216 , G06F40/126 , G06K9/62 , G06N3/04
Abstract: 一种基于多头自注意力机制的实体关系抽取方法，涉及计算机应用技术。本发明主要采用深度学习技术以及自然语言处理相关的理论方法对文本进行实体关系抽取，将关系检测转化为一个多标签分类问题，并提出词级别有监督的多头自注意力机制来检测文本中词之间的语义关联，通过将不同的关系类别转化为多头注意力机制中不同的特征子空间，本发明可以独立学习不同关系类别下词之间的语义交互，并独立建模不同关系类别下词之间的关联程度，进而可以灵活地识别重叠的关系三元组。
-
公开(公告)号：CN109409561A
公开(公告)日：2019-03-01
申请号：CN201810958160.5
申请日：2018-08-22
Abstract: 本发明公开了一种多时间尺度时间序列协同预测模型的构建方法，包括：步骤1)，输入用户用电情况随着时间的变化而产生的记录数据，根据所述记录数据构建相关的时序表示；步骤2)，基于步骤1)得到的时序表示，对所有用电数据进行分析，捕获不同的特征并分析其相对应的变化规律，并以此来构建时间尺度矩阵序列；步骤3)，根据步骤1)和步骤2)的输出，构建用电数据时间序列的预测模型，所述时间序列的预测模型为多尺度RNN模型；步骤4)，根据步骤1)、步骤2)和步骤3)的输出，以及外部因素的输出进行加权融合求解，得到多时间尺度用电时序数据协同预测模型。本发明的方法使得用户用电情况预测的准确率得到提升。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.023 seconds)
