-
公开(公告)号：CN103020116B
公开(公告)日：2015-12-16
申请号：CN201210455018.1
申请日：2012-11-13
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明是一种在社交媒体网络上自动筛选有影响力用户的方法，包括步骤如下：步骤S1：利用超图模型为兴趣社交媒体网络中的用户、兴趣对象及其相互作用关系建模；步骤S2：采用超图约束的正则化主题概率模型，利用兴趣对象的内容信息和内容信息之间的相似性关系作为约束，自动学习得到隐含的兴趣主题；步骤S3：对每个用户和兴趣对象进行主题影响力排序，采用相似性传播模型及在超图上的用户和兴趣对象及相互之间的超边传播主题影响力，直到稳态，然后排序可得到特定主题下的有影响力的用户。本发明能够真实而准确地反映用户影响力在社交媒体网络中的分布。
-
公开(公告)号：CN110895561B
公开(公告)日：2022-04-01
申请号：CN201911103544.X
申请日：2019-11-13
Applicant: 中国科学院自动化研究所
IPC: G06F16/332 , G16H80/00
Abstract: 本发明属于信息检索与问答系统领域，具体涉及了一种基于多模态知识感知的医疗问答检索方法、系统、装置，旨在解决现有医疗问答系统无法理解检索词的内涵导致检索准确率低的问题。本发明方法包括：构建多模态医疗知识图谱，获取用户问题对应的备选答案集合；对问题与备选答案进行文本编码，并提取问题与备选答案的实体；通过路径编码获取问题实体到备选答案实体的路径表示；通过医疗问答检索模型获取问题到各备选答案的交互表示；通过多层感知机分别获取问题到各备选答案的匹配分数；最大匹配分数对应的备选答案为检索答案。本发明有效地将知识图谱语义信息应用到医疗问答中，构建问题与答案对之间的交互，提高了检索得到的回答的精确度与准确性。
-
公开(公告)号：CN113469214B
公开(公告)日：2024-12-06
申请号：CN202110553822.2
申请日：2021-05-20
Applicant: 中国科学院自动化研究所
IPC: G06F30/27
Abstract: 本发明提供一种虚假新闻检测方法、装置、电子设备和存储介质，所述方法包括：将待检测新闻数据输入至新闻检测模型中，得到新闻检测模型输出的新闻检测结果；其中，新闻检测模型用于提取待检测新闻数据的多个文本特征和图像特征，基于自注意力机制确定各文本特征与图像特征对应的上下文向量，并基于各上下文向量的拼接向量确定新闻检测结果。本发明基于自注意力机制确定各文本特征与图像特征对应的上下文向量，可以使得文本特征中携带的信息与图像特征中携带的信息相互进行补充，进而使得基于各上下文向量得到的拼接向量够准确且完整表达待检测新闻数据中包含的信息内容，实现准确获取新闻检测结果。
-
公开(公告)号：CN113239214B
公开(公告)日：2022-10-28
申请号：CN202110543714.7
申请日：2021-05-19
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于跨模态检索领域，具体涉及了一种基于有监督对比的跨模态检索方法、系统及设备，旨在解决现有的监督式跨模态学习方法一般通过线性投影捕获数据相关性，且通常聚集于最大化成对相关性或分类准确性，InfoNCE损失平等对待所有类别，从而导致跨模态检索结果准确性不高的问题。本发明包括：获取待检索的跨模态输入数据；通过表示学习网络映射到统一空间中，获得输入数据的跨模态表示；通过训练好的跨模态检索网络进行跨模态检索。本发明将不同模态的数据映射到统一空间中，通过多标签判别性负例注意力提高具有高共现概率的语义上不同类别的样本对的比例，将InfoNCE损失函数扩展为多标签跨模态InfoNCE损失函数，实现了高准确性与高精度的跨模态检索。
-
公开(公告)号：CN113239214A
公开(公告)日：2021-08-10
申请号：CN202110543714.7
申请日：2021-05-19
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于跨模态检索领域，具体涉及了一种基于有监督对比的跨模态检索方法、系统及设备，旨在解决现有的监督式跨模态学习方法一般通过线性投影捕获数据相关性，且通常聚集于最大化成对相关性或分类准确性，InfoNCE损失平等对待所有类别，从而导致跨模态检索结果准确性不高的问题。本发明包括：获取待检索的跨模态输入数据；通过表示学习网络映射到统一空间中，获得输入数据的跨模态表示；通过训练好的跨模态检索网络进行跨模态检索。本发明将不同模态的数据映射到统一空间中，通过多标签判别性负例注意力提高具有高共现概率的语义上不同类别的样本对的比例，将InfoNCE损失函数扩展为多标签跨模态InfoNCE损失函数，实现了高准确性与高精度的跨模态检索。
-
Patent Agency Ranking
公开(公告)号：CN109408743B
公开(公告)日：2020-11-17
申请号：CN201810956003.0
申请日：2018-08-21
Applicant: 中国科学院自动化研究所
IPC: G06F16/955 , G06F40/284 , G06K9/62
Abstract: 本发明涉及互联网文本分析技术领域，具体涉及一种文本链接嵌入方法，所述方法是根据预设的字符级特征向量进行向量拼接得出待检测文本的目标词条和知识实体库中实体的特征向量，然后计算实体和目标词条的特征向量相似度以找到与目标词条对应的相似实体，最后将所述相似实体对应的实体链接信息嵌入对应的目标词条以完成文本链接嵌入。本发明的文本链接嵌入方法通过将实体和目标词条转换成能够保留语义特征的特征向量，根据目标词条和实体的特征向量相似度判断目标词条与实体之间词义是否相似。这样一来，即使是在同义不同词的情况下，也能做到目标词条与实体的精准匹配，从而有效地避免出现实体漏检情况。
-
公开(公告)号：CN111914156A
公开(公告)日：2020-11-10
申请号：CN202010819729.7
申请日：2020-08-14
Applicant: 中国科学院自动化研究所
IPC: G06F16/9532 , G06F16/532 , G06N3/04
Abstract: 本发明属于检索领域，具体涉及一种自适应标签感知的图卷积网络跨模态检索方法、系统，旨在为了解决解决现有跨模态检索方法中因忽略标签的底层语义结构带来的检索精准度不高的问题。本发明方法包括：基于第一子网络，获取输入信息的跨模态表示；基于分类器，获得所述输入信息的预测分类；其中，所述第一子网络，配置为对输入信息进行特征提取，并通过模态转换函数，映射到统一空间中，得到输入信息的跨模态表示；所述分类器，通过第二子网络生成；所述第二子网络，配置为基于标签与标签关系构造的图，获取该图的特征矩阵，并基于自适应关联矩阵，通过图卷积网络生成分类器。本发明可以更好地保留底层语义结构，缩小模态鸿沟，提高了跨模态检索的准确度。
-
公开(公告)号：CN110717098A
公开(公告)日：2020-01-21
申请号：CN201910890250.X
申请日：2019-09-20
Applicant: 中国科学院自动化研究所
IPC: G06F16/9535 , G06F16/9538
Abstract: 本发明属于用户建模与推荐系统领域，具体涉及一种基于元路径的上下文感知用户建模方法、序列推荐方法，旨在为了解决现有用户建模方法仅考虑用户历史行为的简单序列关系，无法捕获复杂的用户偏好；现有的推荐系统推荐的准确性不高，推荐的内容不具有多样性的问题。本发明将基于用户访问的项目序列获取局部兴趣表示，通过对异构网络建模得到上下文感知的全局兴趣表示，结合局部兴趣表示和全局兴趣表示得到用户的综合兴趣表示。基于用户综合兴趣表示和待预测项目，通过推荐模型得到推荐结果。本发明的用户建模方法能够更全面地捕捉用户兴趣，有利于提高推荐系统的准确率；基于元路径的上下文感知序列推荐方法，推荐准确率高，推荐内容更具多样性。
-
公开(公告)号：CN103020116A
公开(公告)日：2013-04-03
申请号：CN201210455018.1
申请日：2012-11-13
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明是一种在社交媒体网络上自动筛选有影响力用户的方法，包括步骤如下：步骤S1：利用超图模型为兴趣社交媒体网络中的用户、兴趣对象及其相互作用关系建模；步骤S2：采用超图约束的正则化主题概率模型，利用兴趣对象的内容信息和内容信息之间的相似性关系作为约束，自动学习得到隐含的兴趣主题；步骤S3：对每个用户和兴趣对象进行主题影响力排序，采用相似性传播模型及在超图上的用户和兴趣对象及相互之间的超边传播主题影响力，直到稳态，然后排序可得到特定主题下的有影响力的用户。本发明能够真实而准确地反映用户影响力在社交媒体网络中的分布。
-
公开(公告)号：CN111914156B
公开(公告)日：2023-01-20
申请号：CN202010819729.7
申请日：2020-08-14
Applicant: 中国科学院自动化研究所
IPC: G06F16/9532 , G06F16/532 , G06N3/04
Abstract: 本发明属于检索领域，具体涉及一种自适应标签感知的图卷积网络跨模态检索方法、系统，旨在为了解决解决现有跨模态检索方法中因忽略标签的底层语义结构带来的检索精准度不高的问题。本发明方法包括：基于第一子网络，获取输入信息的跨模态表示；基于分类器，获得所述输入信息的预测分类；其中，所述第一子网络，配置为对输入信息进行特征提取，并通过模态转换函数，映射到统一空间中，得到输入信息的跨模态表示；所述分类器，通过第二子网络生成；所述第二子网络，配置为基于标签与标签关系构造的图，获取该图的特征矩阵，并基于自适应关联矩阵，通过图卷积网络生成分类器。本发明可以更好地保留底层语义结构，缩小模态鸿沟，提高了跨模态检索的准确度。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.031 seconds)
