公开(公告)号：CN114625881A

公开(公告)日：2022-06-14

申请号：CN202111471322.0

申请日：2021-12-04

Applicant: 电子科技大学长三角研究院(湖州)

Inventor： 贾海涛 ,  邢增桓 ,  高源 ,  李家伟 ,  林思远 ,  王树臣 ,  梁晓程 ,  许文波

IPC: G06F16/36 ,  G06Q40/00

Abstract: 本发明提出一种基于ERP‑GAT的经济领域知识图谱补全算法。ERP‑GAT算法采用编码器‑解码器结构，编码器引入图注意力机制，输入实体嵌入矩阵和关系嵌入矩阵，计算每一个目标实体相邻的三元组的注意力分数，并更新嵌入矩阵，能够获取给定实体或节点周围的多跳关系、获取给定实体附近的丰富的语义信息和关系中所扮演的角色、对现有的知识在语义上相似的关系群进行巩固，解码器使用ConvKB模型，使用卷积层得到评分函数来分析在每一个维度上的全局嵌入特性并概括ERP‑GAT模型中的过渡特性。最终在标准数据集FB15K237的五项指标和NELL‑995的四项指标上相较其他现有算法有显著提升，取得了知识图谱补全任务的最佳效果。

公开(公告)号：CN114691858B

公开(公告)日：2023-10-03

申请号：CN202210250558.X

申请日：2022-03-15

Applicant: 电子科技大学

Inventor： 贾海涛 ,  刘桐 ,  李家伟 ,  黄婧 ,  邢增桓 ,  林思远

IPC: G06F16/34 ,  G06F16/35 ,  G06F40/289 ,  G06N3/0455 ,  G06N3/047 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提出了一种基于改进的UNILM摘要生成方法，针对生成式摘要算法现存的问题，如生成细节不准确，语义不通顺的问题，选用在语义特征提取，对文章的理解上优于传统RNN、LSTM的基于Transformer的UNILM模型，融合COPY机制来改善，并且利用稀疏的softmax替代传统softmax，以避免传统softmax过度学习的问题。最后在模型整体损失函数加入coverage损失，达到避免生成重复结果的目的。

公开(公告)号：CN114722194A

公开(公告)日：2022-07-08

申请号：CN202210250569.8

申请日：2022-03-15

Applicant: 电子科技大学

Inventor： 贾海涛 ,  刘桐 ,  李家伟 ,  黄婧 ,  邢增桓 ,  林思远

IPC: G06F16/35 ,  G06F16/34 ,  G06F40/211 ,  G06F40/289 ,  G06F40/30 ,  G06F40/216

Abstract: 本发明提供了一种基于摘要生成算法的突发事件时间序列自动构建的方法，将事件文档输入后，即可获得事件发生经过的详细且简洁的描述。该方法通过文本聚类、摘要生成技术以及消除冗余等自然语言处理技术，将互联网上繁杂冗长的事件报道，以简练的且有时间逻辑组织的事件序列呈现给用户，极大地减少了用户了解某一事件消耗的时间和精力。因突发事件对人类社会通常有着直接的影响，所需时间成本小的事件时序信息，也更利于传播，利于群众了解状况的同时做好相应的举措。

公开(公告)号：CN114662693A

公开(公告)日：2022-06-24

申请号：CN202210244316.X

申请日：2022-03-14

Applicant: 电子科技大学

Inventor： 贾海涛 ,  乔磊崖 ,  李家伟 ,  李嘉豪 ,  林萧 ,  曾靓

IPC: G06N5/04 ,  G06N3/04 ,  G06N3/08 ,  G06F40/253 ,  G06F40/30 ,  G06F16/36

Abstract: 本发明公开了一种基于动作采样的强化学习知识图谱推理方法。该发明针对传统知识图谱强化学习推理算法中表征能力不足、无效冗余动作选取以及无记忆组件问题，根据表示学习方法在数据集上的原始事实预测评分，针对性地选取适应性更强的表示学习方法来表示强化学习环境以增强算法表征能力；设计动作采样器以减少智能体在游走过程中的无效冗余动作选择；以LSTM为记忆组件，将历史信息进行编码以增加模型精度，这使得本算法可以在摆脱预训练的情况下取得优于基于路径的推理算法的效果。该方法将智能体在环境中游走得到的路径映射到三层LSTM策略网络，通过动作采样促进智能体选择更有意义的路径，最终实现较为准确的实体关系路径学习。

公开(公告)号：CN113239211A

公开(公告)日：2021-08-10

申请号：CN202110669631.2

申请日：2021-06-17

Applicant: 电子科技大学

Inventor： 贾海涛 ,  罗林洁 ,  李家伟 ,  乔磊崖 ,  任利 ,  许文波 ,  刘博文 ,  陈璐

IPC: G06F16/36 ,  G06N5/04 ,  G06N20/00

Abstract: 本发明公开了一种基于课程学习的强化学习知识图谱推理方法。该发明针对在实体关系补全过程中出现的错误关系难题，深入研究基于课程学习的强化学习模型来解决虚假路径发现问题，即智能体游走得到的训练序列(路径)不完美导致智能体被误导，提出了一种结合课程学习策略使用基于知识的软奖励方法，该方法将智能体在环境中游走得到的路径映射到LSTM策略网络，再使用实体和关系嵌入作为参数组成的打分函数进行软奖励构造，同时在路径中多次跳转上采用智能体的动作丢弃策略进行出边的随机掩盖，最终实现较为准确的实体关系路径学习。