公开(公告)号：CN113792551A

公开(公告)日：2021-12-14

申请号：CN202110915830.7

申请日：2021-08-10

Applicant: 三峡大学

Inventor： 余肖生 ,  张合欢 ,  沈胜

IPC: G06F40/295 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于混合式迁移学习的命名实体识别方法，包括以下步骤：(1)数据预处理；(2)实例迁移；(3)模型预训练：使用源域数据集不断训练BiLSTM‑CRF模型，选取性能最好的参数并保留；(4)模型迁移。该基于混合式迁移学习的命名实体识别方法混合了样本迁移和模型迁移，以解决中文命名实体识别领域样本不足的问题，同时使用最大均值差异构建适应层以解决数据分布不一致的问题，实验过程中通过动态的选择超参数能够在一定程度上降低算法的负迁移现象。

公开(公告)号：CN112669990A

公开(公告)日：2021-04-16

申请号：CN202011419919.6

申请日：2020-12-07

Applicant: 三峡大学

Inventor： 陈鹏 ,  赵建成 ,  鲍天嘉智 ,  余肖生

IPC: G16H70/40 ,  G16H20/10 ,  G06K9/62

Abstract: 本发明公开了基于深度自编码和自适应融合的药物新用途预测方法，包括：将药物化学结构数据和药物靶蛋白数据融合、降维，得到药物特征数据；利用药物特征数据，计算药物相似度，通过药物相似度计算药物‑疾病关联预测值；利用药物副作用数据，计算药物相似度，通过药物相似度计算药物‑疾病关联预测值；使用药物‑疾病关联数据计算疾病相似度，通过疾病相似度计算药物‑疾病关联预测值；分别确定计算的药物‑疾病关联预测值的权重；融合计算的药物‑疾病关联预测值，得到融合后的药物对疾病的预测值。本发明融合分别基于药物相似度、疾病相似度计算得到的药物‑疾病关联预测值，得到融合后的药物对疾病的预测值，提高了预测结果的准确度。

公开(公告)号：CN119478344A

公开(公告)日：2025-02-18

申请号：CN202411477555.5

申请日：2024-10-22

Applicant: 三峡大学

Inventor： 陈世洁 ,  范李平 ,  余肖生 ,  王东娟

IPC: G06V10/25 ,  G06V10/44 ,  G06N3/0464 ,  G06N3/048

Abstract: 融合分层注意力和特征细化的伪装目标检测网络及方法，该网络包括特征提取层SMT、分层注意力网络层TAN、全连接解码器模块FCD和特征细化网络层FRN；特征提取层AMT的输出连接分层注意力网络层TAN的输入，分层注意力网络层TAN的输出连接全连接解码器模块FCD、以及特征细化网络层FRN的输入，全连接解码器模块FCD的输出连接特征细化网络层FRN的输入，特征细化网络层FRN的输出用于输出最终预测，本发明的目的是为了同时解决现有伪装目标检测方法的检测结果不完整和计算成本过高问题，通过对语义和细节信息的有效聚合和利用，实现对伪装对象的精确定位和精细分割，而提出的融合分层注意力和特征细化的伪装目标检测网络及方法。

公开(公告)号：CN118863057A

公开(公告)日：2024-10-29

申请号：CN202410868198.9

申请日：2024-07-01

Applicant: 国网湖北省电力有限公司宜昌供电公司 ,  三峡大学

Inventor： 范李平 ,  李小龙 ,  李黄强 ,  杜丰夷 ,  黄宇 ,  胡为民 ,  王可 ,  刘云飞 ,  杜杨 ,  郭新征 ,  余肖生

IPC: G06N5/04 ,  G06N5/025 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06F40/16 ,  G06F40/279 ,  G06F18/2415

Abstract: 本发明公开了一种融合大语言模型与知识图谱的低电压治理辅助决策方法，包括：获取与低电压相关的目标数据，并进行预处理；采用深度学习方法构建低电压知识图谱；从故障工单中获取低电压业务运维相关数据，提取里面的三元组信息，与低电压知识图谱进行匹配，并对故障工单的用户意图进行识别，进而生成大语言模型的问题输入；设计大语言模型prompt提示策略；将当前的低电压运检案例库与低电压知识图谱作为领域知识导入本地知识库；将从故障工单中提取的三元组信息和用户意图输入大语言模型，结合prompt提示策略和本地知识库对问题进行分析和故障溯源，输出辅助决策结果；将所述辅助决策结果作为新的案例记录存入低电压运检案例库中，完成所述的融合大语言模型与知识图谱的低电压治理辅助决策。

公开(公告)号：CN118013971A

公开(公告)日：2024-05-10

申请号：CN202410019226.X

申请日：2024-01-05

Applicant: 三峡大学

Inventor： 王春亮 ,  余肖生 ,  姚洁仪

IPC: G06F40/295 ,  G06F18/214 ,  G06F16/35 ,  G06N3/0464 ,  G06N3/0499

Abstract: 一种融合TextCNN与Talking Heads Attention的关系抽取方法，包括以下步骤：步骤1：获取中文文本的训练语料数据；步骤2：获取语言模型的训练语料数据并进行预处理；步骤3：将编码后的文本输入MacBERT模型，通过BERT的输入层得到每个词的词向量表示；步骤4：标注语料输入到Talking Heads Attention结构中进行特征提取；步骤5：将MacBERT获得的词向量输入到TextCNN结构中，利用预训练模型的优势，减少模型训练的复杂度和时间成本；步骤6：将步骤4输出的特征与步骤5输出的特征进行特征交互；步骤7：通过前馈神经网络层输出实体关系三元组；通过以上步骤对中文文本进行关系抽取。

公开(公告)号：CN115914225B

公开(公告)日：2024-04-30

申请号：CN202211336170.8

申请日：2022-10-28

Applicant: 三峡大学

Inventor： 秦伟杰 ,  陈鹏 ,  余肖生

IPC: H04L67/10 ,  H04L67/1042 ,  H04L43/10

Abstract: 一种针对Raft共识算法选举阶段的优化方法，它包括以下步骤：步骤1：获取集群中每个节点在当前共识周期的信用值；步骤2：将节点的当前信用值代入公式计算，得到集群内所有节点在当前共识周期的RET时长；步骤3：每个节点将在各自对应的RET时长范围内被随机分配到一个时长进行超时，率先完成超时的节点向其余节点索票，得到半数以上投票则当选为主节点；步骤4：在共识过程中，主节点响应客户端的消息请求，从节点响应主节点的消息请求，并记录主、从节点的响应情况。步骤5：根据记录的响应情况，代入公式计算得到每个节点的信用值变更值，并据此更新节点的当前信用值。

公开(公告)号：CN117875416A

公开(公告)日：2024-04-12

申请号：CN202311827366.1

申请日：2023-12-28

Applicant: 国网湖北省电力有限公司宜昌供电公司 ,  三峡大学

Inventor： 范李平 ,  李琳宇 ,  李黄强 ,  杜丰夷 ,  黄宇 ,  胡为民 ,  王可 ,  刘云飞 ,  周祯 ,  漆曾 ,  杜杨 ,  郭新征 ,  熊瑛 ,  杜阳 ,  余肖生

IPC: G06N5/022 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明提出了一种实体关系联合抽取方法，包括以下步骤：步骤1，准备数据集并对其中的数据进行预处理；步骤2，构建关系抽取模型；步骤3，使用步骤1中准备的数据集，对步骤2中所述的关系抽取模型进行训练；步骤4，使用训练好的关系抽取模型，对待处理的文本数据进行实体关系联合抽取；所述的关系抽取模型，包括：嵌入模块、主语抽取模块、特征融合模块和关系及相应宾语抽取取模块。本发明改善了在对数据集进行实体关系抽取任务时存在因文本的关系复杂且实体密度大而导致实体识别不准确的问题，有效地解决了实体关系抽取时部分结构特征丢失的问题。

公开(公告)号：CN116384375A

公开(公告)日：2023-07-04

申请号：CN202310346077.3

申请日：2023-03-31

Applicant: 三峡大学

Inventor： 苏志同 ,  陈鹏 ,  余肖生 ,  张猛

IPC: G06F40/216 ,  G06F40/242 ,  G06F40/295

Abstract: 本发明涉及基于N‑gram算法并利用下游任务筛选文本的文本增强方法，包括：选用文本生成器，生成与原始文本相近的文本；设定用于评价文本生成质量的评分函数，并对每一批次生成的文本进行评分；在下游任务上对筛选出的文本进行评价；从得到的文本中选出语义通顺的文本作为下一批次文本生成过程的输入，重复生成文本得到所需数量的新文本。本发明同时采用基于N‑gram算法和加权平均的评分方式并结合下游任务评价生成文本的质量，使文本增强方法生成文本更通顺、连贯，有利于智能语言模型的训练。

公开(公告)号：CN116306640A

公开(公告)日：2023-06-23

申请号：CN202211105808.7

申请日：2022-09-09

Applicant: 三峡大学

Inventor： 张猛 ,  陈鹏 ,  余肖生

IPC: G06F40/295 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/08 ,  G16H10/60

Abstract: 本发明公开了一种基于词向量融合的医疗电子病历命名实体识别方法，本发明通过对中文电子病历的文本内容进行分析，研究了不同形式的词向量对于命名实体识别的影响，提出了基于词向量融合的文本命名实体识别方法，该方法结合了静态的词向量表示模型和具有上下文语义信息的动态词向量预训练模型，用于解决电子病历文本中需要医疗领域词语的静态词表示和具有多重语义信息的不同实体，实现了对医疗实体有针对性地提取，提高电子病历文本命名实体识别模型的性能。

公开(公告)号：CN113808742A

公开(公告)日：2021-12-17

申请号：CN202110915825.6

申请日：2021-08-10

Applicant: 三峡大学

Inventor： 余肖生 ,  沈胜 ,  张合欢

IPC: G16H50/30 ,  G16H10/60 ,  G06F40/284 ,  G06F40/289 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于文本特征降维的LSTM注意力机制疾病预测方法，包括以下步骤：(1)数据预处理；(2)结合电子病历文本特点，形成词特征加权计算方法；(3)利用数据降维提取数据集关键信息；(4)将非结构化的文本数据转化为计算机能识别的结构化数据；(5)LSTM注意力机制模型训练。该基于文本特征降维的LSTM注意力机制疾病预测方法将LDA模型引入LSTM注意力机制中，通过LDA模型实现电子病历文本关键信息的提取，降低数据冗余，进而提升LSTM注意力机制模型的性能。