公开(公告)号：CN113672607A

公开(公告)日：2021-11-19

申请号：CN202110955923.2

申请日：2021-08-19

Applicant: 吉林大学

Inventor： 史振坤 ,  郝雨微 ,  张一嘉 ,  左祥麟 ,  左万利

IPC: G06F16/215 ,  G06F16/2458 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于医疗数据处理技术领域，尤其医疗时序数据缺失值处理方法，包括以下步骤：通过各种临床数据模式来填补缺失值，包括以下步骤：数据输入，在输入层输入含有缺失值的多变量原始时序数据、插值开关矩阵和输入数据时间戳矩阵，同时添加补充输入；本发明本发明插值不需要任何前提假设，本发明可以极大的提高插值的准确性，通过处理数据得到高准确性的插值数据来进行死亡率预测，预测性能更好，本发明对不规则时序数据、含噪声较大的数据、突发性较强的数据均有很好的插值性能，适用于ICU临床多变量时序数据的缺失问题。

公开(公告)号：CN112463970A

公开(公告)日：2021-03-09

申请号：CN202011489612.3

申请日：2020-12-16

Applicant: 吉林大学

Inventor： 郑余祥 ,  左祥麟 ,  史振坤 ,  张一嘉 ,  梁世宁 ,  左万利

IPC: G06F16/35 ,  G06F40/30 ,  G06F16/36 ,  G06N3/04

Abstract: 本发明公开了一种基于时间关系对文本包含的因果关系进行抽取的方法，包括：构建基于时间关系的Bi‑LSTM+GCN网络模型；将待输入的文本中的单词输入到Bi‑LSTM网络获得文本中单词的特征；将文本中单词的时间关系转化成时间关系特征矩阵输入到GCN网络，由GCN网络输出特征向量；将GCN网络输出特征向量输入分类器，获得因果关系的抽取结果：原因、结果和非因非果。与现有技术相比，本发明利用时间关系与因果关系的联系,本文通过将时间关系转化成特征矩阵的方式结合了Bi‑LST+GCN网络模型，并且通过实验能准确获得因果关系标注，时间关系有利于因果关系的抽取，本发明提出的基于时间关系的Bi‑LSTM+GCN模型能有效的获取因果关系。

公开(公告)号：CN111488524A

公开(公告)日：2020-08-04

申请号：CN202010270909.4

申请日：2020-04-08

Applicant: 吉林大学

Inventor： 张一嘉 ,  左万利 ,  史振坤 ,  梁世宁

IPC: G06F16/9535 ,  G06N3/08

Abstract: 本发明公开了一种面向注意力的语义敏感的标签推荐方法，包括1)、使用word2vec对标签进行预训练，将带有语义的标签嵌入表示；2)、利用注意力机制将标签的嵌入表示集成到用户特征和项目特征中，对用户和商品特征的动态标签影响进行建模；3)、将用户特征和项目特征与标签信息结合起来进行预测，获得带有基于标签信息的预测结果，完成推荐。提出了一种包含标签语义信息的新模型，利用注意力机制对用户和商品特征的动态标签影响进行建模，将标签信息与用户和商品特征动态地结合起来，以提高推荐性能，并通过实验证实该方法的有效性。