-
公开(公告)号：CN110135457A
公开(公告)日：2019-08-16
申请号：CN201910288771.8
申请日：2019-04-11
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种基于自编码器融合文档信息的事件触发词抽取方法，包括：以未标注自由文本语料生成训练集，训练GRU模型以构建该自编码器；对训练语料进行预处理和标签标注，提取待识别词；以该自编码器获取该待识别词在其所在文档内的文档向量，作为该待识别词的全局特征；以该待识别词的词向量和实体类型分布式表达，作为该待识别词的局部特征；将该全局特征和该局部特征进行向量拼接，获得该待识别词的上下文特征；将该上下文特征输入Bi-GRU模型进行多分类，以识别该待识别词是否为事件触发词及该待识别词的对应事件类型。
-
公开(公告)号：CN102289514B
公开(公告)日：2016-03-30
申请号：CN201110263798.5
申请日：2011-09-07
Applicant: 中国科学院计算技术研究所
IPC: G06F17/30
Abstract: 本发明提供一种社会化标签自动标注的方法。该方法包括计算标签词项在文档中的频率(TF)权重，以及由协同过滤CF、一致性话题模型Corr-LDA方法所得的标签权重，并归一化；对上述权重建立线性融合权值模型，并估计线性融合参数；以及基于线性融合模型对社会标签进行自动标注。该发明同时考虑了社会标签与文档具体内容的一致性和抽象语义层的相关性，因此能够提高社会标签自动标注的准确性。
-
公开(公告)号：CN117333738B
公开(公告)日：2025-04-22
申请号：CN202311308831.0
申请日：2023-10-10
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774 , G06V10/764 , G06V10/40
Abstract: 本发明实施例提供了一种图像分类模型训练方法，该方法包括：S1、获取包括多个图像样本的原始图像数据集及其对应的特征矩阵；S2、对原始图像数据集对应的特征矩阵进行降维处理，并将降维处理后的特征矩阵进行高斯建模以获得特征矩阵中每个特征值的高斯分布；S3、基于步骤S2中每个特征值的高斯分布对其依次进行高斯采样，以使高斯采样所得的所有特征值构成新的特征矩阵，并基于新的特征矩阵生成新的图像数据集；S4、采用新的图像数据集和原始图像数据集构成增强图像训练集训练图像分类模型至收敛。该方法提高了图像分类模型在少样本情况下的性能。
-
公开(公告)号：CN118070868B
公开(公告)日：2025-04-08
申请号：CN202410293163.7
申请日：2024-03-14
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种基于边缘计算架构的模型结构化剪枝方法及装置，该方法包括：根据集群中每一边缘设备的硬件资源信息，对边缘设备进行分组；对于同一组的边缘设备，将神经网络加速器在该边缘设备硬件的实际运行时间与内存资源消耗作为资源约束条件，对该边缘设备上部署的神经网络模型进行剪枝；校准修剪后的神经网络模型。该方法提高了计算设备的硬件处理速度，降低了内存消耗，进而提升了计算机系统的内部性能。
-
公开(公告)号：CN119669398A
公开(公告)日：2025-03-21
申请号：CN202411658765.4
申请日：2024-11-20
Applicant: 中国科学院计算技术研究所
IPC: G06F16/3329 , G06F40/211 , G06F40/284 , G06N5/04
Abstract: 本发明提供了一种基于查询引导的上下文压缩方法，包括：将查询信息和待压缩的上下文填入对话模板；分别计算所述对话模板的所述上下文中若干词元的第一注意力数值；根据所述若干词元对应的所述第一注意力数值将所述上下文进行注意力重构；将注意力重构后的所述上下文压缩到预定的目标压缩率之内。本发明还提供一种基于查询引导的上下文压缩系统、存储介质及电子设备。借此，本发明能够更高效地保留关键信息，将更短的上下文输入给生成模型，提高长上下文推理场景下生成模型的推理效率，降低推理成本。
-
Patent Agency Ranking
公开(公告)号：CN119418123A
公开(公告)日：2025-02-11
申请号：CN202411558624.5
申请日：2024-11-04
Applicant: 中国科学院计算技术研究所
IPC: G06V10/764 , G06V10/74 , G06V10/774 , G06N5/04
Abstract: 本发明提出一种基于多模态模型CLIP的隐空间净化的图像分类方法和装置，包括：将待分类图片输入图文多模态对比预训练模型的图像编码器，得到待分类图片在隐空间上的表示向量；使用图文多模态对比预训练模型的文本编码器，得到空类别文本所表示的空类别文本嵌入向量；计算表示向量和空类别文本嵌入向量的概率似然值；提取表示向量的向量长度与方向矢量，计算似然概率值对方向矢量的梯度，采用梯度上升方法对方向矢量进行更新同时保持向量长度不变，得到净化向量；通过选择与最终净化向量相似度最高的类别文本嵌入向量，将类别文本嵌入向量对应的图像类别作为类别文本嵌入向量的分类结果。
-
公开(公告)号：CN117194672A
公开(公告)日：2023-12-08
申请号：CN202310896725.2
申请日：2023-07-20
Applicant: 中国科学院计算技术研究所
IPC: G06F16/36 , G06F40/211 , G06F40/258 , G06F40/30 , G06N5/025
Abstract: 本发明提出一种角色感知的篇章主题事件论元抽取方法、装置，方法包括：根据已知篇章主题事件的事件类型获得该事件类型的篇章主题事件的论元角色信息；对目标文章分别进行分句、提取标题，得到分句集合、事件标题，所述论元角色信息、事件类型、以及事件标题构成事件相关信息；利用所述事件相关信息、以及分句集合构建论元角色感知图，进行事件相关句检测，得到篇章主题事件相关句子集合；将所述篇章主题事件相关句子集合作为输入，对每个论元角色构建问题，预测出所述篇章主题事件相关句子集合中的所有候选论元，从所述候选论元中筛选出目标论元。该方法提升了模型效果的同时保持了模型的灵活性。
-
公开(公告)号：CN116580265A
公开(公告)日：2023-08-11
申请号：CN202310604430.3
申请日：2023-05-26
Applicant: 中国科学院计算技术研究所
IPC: G06V10/774
Abstract: 本发明提供一种目标检测模型对抗训练方法，所述方法包括：S1、获取目标图像数据集和初始对抗图案，所述目标图像数据集包括多个图像样本，且每个图像样本中设置有目标边界框标注；S2、对初始对抗图案进行分形变换以获得目标对抗图案；S3、将步骤S2得到的目标对抗图案注入所述目标图像数据集中每一图像样本的目标边界框内得到对抗训练集，并采用对抗训练集训练目标检测模型至收敛。本发明引入了引入分形变换损失对对抗图案进行迭代更新，使得生成的对抗图案具有一定的自相似性，采用具有自相似性的对抗图案对目标检测模型进行对抗训练，能够提升目标检测模型的鲁棒性，使得模型具有较强的对抗能力。
-
公开(公告)号：CN116341551A
公开(公告)日：2023-06-27
申请号：CN202310320934.2
申请日：2023-03-29
Applicant: 中国科学院计算技术研究所
IPC: G06F40/295 , G06F40/211 , G06F40/242 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明实施例提供一种基于依存分析和指代消解的实体言论抽取方法，包括：步骤S1、基于依存分析规则对待测文本进行解析得到依存分析结果，从依存分析结果中得到待测文本中的主语和谓语；步骤S2、识别待测文本中的主语是否为实体，以及识别待测文本中的谓语是否为触发词；步骤S3、在待测文本中的主语为实体且对应谓语为触发词时，提取待测文本中的触发词之后的言论，以得到包含主语、触发词和言论的实体言论，其中，当主语为指代词时，采用指代消解方式从指代词的前文中提取指代词所指代的真实实体名称作为所述实体言论中的主语。本发明实施例通过提取文本中真正的言论以及该言论对应的真实实体，使用户清楚快速地掌握各方的言论、观点和立场。
-
公开(公告)号：CN111897908B
公开(公告)日：2023-05-02
申请号：CN202010398752.3
申请日：2020-05-12
Applicant: 中国科学院计算技术研究所
IPC: G06F16/31 , G06F16/35 , G06F16/36 , G06F40/211 , G06F40/289 , G06F40/295 , G06N3/04
Abstract: 本发明提出一种融合依存信息和预训练语言模型的事件抽取方法及系统，包括以句子的依存句法树为输入，利用使用图卷积神经网络学习依存句法特征，并加入依存关系预测任务，通过多任务学习的方式捕捉更重要的依存关系，最后使用BERT预训练语言模型增强底层句法表达，完成中文句子的事件抽取。由此本发明对事件抽取任务下触发词抽取和论元抽取的性能均有所提高。
-
-
-
-
-
-
-
-
-
Search Results
94
records
(took 0.028 seconds)
