-
-
公开(公告)号：CN110704576B
公开(公告)日：2022-07-01
申请号：CN201910944006.7
申请日：2019-09-30
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于文本的实体关系抽取方法及装置，该方法从预设的语料库中确定待处理文本中待处理实体所属描述文本中的词作为待处理词；根据待处理实体和待处理词分别与待处理文本的所属关系，得到文本向量表示；将述文本向量表示输入至预设的关系分类模型，得到待处理实体间的关系表示，本实施例引入了待处理实体及待处理实体所属的描述文本，以使得到的文本向量表示包含了待处理实体存在的潜在信息，可见，应用本实施例提供的方法能够提高对文本进行分类的准确率。
-
公开(公告)号：CN114139593A
公开(公告)日：2022-03-04
申请号：CN202111050184.9
申请日：2021-09-08
Applicant: 北京邮电大学
IPC: G06K9/62 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种去偏差图神经网络的训练方法、装置和电子设备，方法包括：将样本图数据及其对应的样本标签索引输入待训练去偏差图神经网络；基于样本图数据和样本标签索引提取需要去相关的特征变量；基于所述特征变量确定样本图数据对应的样本权重；基于特征变量和样本权重确定第一损失函数，并基于第一损失函数判断待训练去偏差图神经网络是否收敛；若收敛，确定待训练去偏差图神经网络为目标去偏差图神经网络；若未收敛，反复迭代直至收敛。该方法训练的目标去偏差图神经网络可以减小训练节点的偏差，提高了去偏差图神经网络泛化到测试节点上的效果。
-
公开(公告)号：CN112906873A
公开(公告)日：2021-06-04
申请号：CN202110330710.0
申请日：2021-03-26
Applicant: 北京邮电大学
Abstract: 本申请实施例提供的一种图神经网络训练方法、装置、电子设备及存储介质，应用于信息技术领域，通过提取样本异质图对应的不相关节点的负样本和不一致关系的负样本，结构层面的正样本和基于结构层面的正样本的负样本，然后根据提取到的样本对待训练的图神经网络进行训练，从而可以充分利用当前获得的样本，减少所需的样本图像的数量。
-
公开(公告)号：CN111930859A
公开(公告)日：2020-11-13
申请号：CN202010750181.5
申请日：2020-07-30
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于异质图神经网络的节点处理方法、装置及设备，应用于计算机技术领域，该处理方法可以包括：确定所述目标节点的特征矩阵，以及针对每一元路径，确定所述目标节点在该元路径下的多个关联节点对应的组合矩阵；针对每一元路径，将所述目标节点的特征矩阵，以及所述目标节点在该元路径下的多个关联节点对应的组合矩阵，输入至预设的语义聚合模型中，得到所述目标节点在该元路径下的表示矩阵；利用预设的融合公式，对所述目标节点在每一元路径下的表示矩阵进行融合，得到所述目标节点在多个元路径下的综合表示矩阵。可见，本方案，解决了目标节点自身的特性无法突显的问题。
-
Patent Agency Ranking
公开(公告)号：CN109002488B
公开(公告)日：2020-10-02
申请号：CN201810669341.6
申请日：2018-06-26
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种基于元路径上下文的推荐模型训练方法及装置。该方法包括：在样本信息平台中获得多个用户信息对；针对每个用户信息对，获得该用户信息对所对应的路径实例，并生成该用户信息对所对应样本用户表征信息、样本对象表征信息和元路径上下文表征信息；针对每个用户信息对，将上述三种信息进行拼接得到训练样本；将得到的多个训练样本作为输入，对预设神经网络模型进行训练，直至通过损失函数计算得到的函数值小于预设阈值时，完成神经网络模型的训练。与现有技术相比，应用本发明实施例提供的方案，训练得到的基于元路径上下文的推荐模型可以学习到更优化的特征，进而，可以提高基于该模型得到的推荐结果的准确性。
-
公开(公告)号：CN107944629B
公开(公告)日：2020-08-07
申请号：CN201711239629.1
申请日：2017-11-30
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于异质信息网络表示的推荐方法及装置，所述方法包括：对预设的异质信息网络提取目标网络节点表示；根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；利用获得的目标矩阵分解，得到用户对商品的预测评分；根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。应用本发明实施例能够提高推荐率。
-
公开(公告)号：CN110674317A
公开(公告)日：2020-01-10
申请号：CN201910944936.2
申请日：2019-09-30
Applicant: 北京邮电大学
IPC: G06F16/36
Abstract: 本发明实施例提供了一种基于图神经网络的实体链接方法及装置，该方法在对待链接对象进行实体链接时，从预设的知识库中确定待链接文本中所指定的待链接对象对应的实体作为潜在候选实体；根据关联对象，从潜在候选实体中确定指定候选实体；根据指定候选实体间的语义关系，构建实体-单词异质图；将实体-单词异质图输入至预设的向量表示模型中，得到实体-单词异质图中实体的实体向量表示，将所得到的实体向量表示输入至预设的条件随机场CRF中，得到每一实体的链接值，并依据链接值，从指定候选实体中选择每一待链接对象对应的链接实体。应用本实施例提供的方法能够提高实体链接的准确率。
-
公开(公告)号：CN106951526A
公开(公告)日：2017-07-14
申请号：CN201710168839.X
申请日：2017-03-21
Applicant: 北京邮电大学
IPC: G06F17/30
CPC classification number: G06F16/367
Abstract: 本发明实施例提供的一种实体集扩展方法及装置，根据预先确定的种子实体集，从目标知识图谱中抽取候选实体组成候选实体集；从与目标知识图谱对应的异质信息网络中，确定种子实体之间的元路径；所述元路径为：异质信息网络中的两个节点类型之间的由实体类型和关系类型组成的连接路径；其中，所述两个节点类型为不同的种子实体对应的节点类型；根据每条元路径连接的种子实体对的数量确定每条元路径的第一重要程度；根据每条元路径的第一重要程度，确定候选实体集中的每一候选实体的第二重要程度；将候选实体集中，第二重要程度满足第一预设条件的候选实体确定为待扩展实体，并将待扩展实体添加至种子实体集中。应用本发明能够进行有效的实体集扩展。
-
公开(公告)号：CN106503028A
公开(公告)日：2017-03-15
申请号：CN201510568446.9
申请日：2015-09-08
Applicant: 北京邮电大学 , 腾讯科技(深圳)有限公司
IPC: G06F17/30
Abstract: 本发明涉及一种推荐方法，所述推荐方法包括：将推荐数据集中的对象和对象之间的关系建模为异质信息网络；获取所述异质信息网络中连接两个对象的元路径；根据所述连接两个对象的元路径计算对象之间的相似度数据；根据所述对象之间的相似度数据构建目标函数，通过所述目标函数对所述推荐数据集进行训练，得到用户对物品的预测评分；根据所述用户对物品的预测评分将物品推荐给用户。此外，还提供给了一种推荐系统。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.063 seconds)
