公开(公告)号：CN112686040B

公开(公告)日：2022-08-23

申请号：CN202011626720.0

申请日：2020-12-31

Applicant: 北京理工大学 ,  北京理工大学东南信息技术研究院

Inventor： 黄河燕 ,  刘啸

IPC: G06F40/289 ,  G06N3/04

Abstract: 本发明公开了一种基于图循环神经网络的事件事实性检测方法，属于信息抽取技术和计算机自然语言处理技术领域。本发明通过训练一个图循环神经网络事件事实性检测器，有效利用依存树中的信息，将其中包含丰富信息的边类别标签和方向信息与神经网络进行结合，同时，利用参数共享的性质缓解过拟合的风险。本方法，克服了传统方法没有将依存树中包含丰富信息的边类别标签和方向信息结合进神经网络中的缺陷，提高信息利用率。通过利用参数共享机制，规避了堆叠图网络层数来建模依存树中的多跳路径时因参数线性增长而导致的容易过拟合的风险。

公开(公告)号：CN113342953A

公开(公告)日：2021-09-03

申请号：CN202110675321.1

申请日：2021-06-18

Applicant: 北京理工大学东南信息技术研究院 ,  中国科学院信息工程研究所

Inventor： 黄河燕 ,  尤浩 ,  魏旭 ,  胡玥

IPC: G06F16/332 ,  G06F16/33 ,  G06F40/289 ,  G06Q50/26

Abstract: 本发明适用于智能问答领域，提供了一种基于多模型集成的政务问答方法。本发明将实际政务问答的复杂场景分解为多个部分，集成多种特定用途的在不同数据集上微调的预训练语言模型，分别进行FAQ问答对匹配、阅读理解以及层级检索以获取答案和可解释性证据，之后使用无监督答案验证方法对得到的答案和可解释性证据进一步验证，从而充分利用不同模型进行答案信息互补，提高政务问答的质量。采取的阅读理解模型经过无监督检索后能够快速推理并且层级检索方法非常高效，从而保证政务问答的实时性要求。多模型集成的使用能够进一步提高问答准确率，同时提供答案对应的可解释性证据。此外，无监督方法的特性使得该发明能够轻易移植到其他实际问答场景中。

公开(公告)号：CN112686040A

公开(公告)日：2021-04-20

申请号：CN202011626720.0

申请日：2020-12-31

Applicant: 北京理工大学 ,  北京理工大学东南信息技术研究院

Inventor： 黄河燕 ,  刘啸

IPC: G06F40/289 ,  G06N3/04

Abstract: 本发明公开了一种基于图循环神经网络的事件事实性检测方法，属于信息抽取技术和计算机自然语言处理技术领域。本发明通过训练一个图循环神经网络事件事实性检测器，有效利用依存树中的信息，将其中包含丰富信息的边类别标签和方向信息与神经网络进行结合，同时，利用参数共享的性质缓解过拟合的风险。本方法，克服了传统方法没有将依存树中包含丰富信息的边类别标签和方向信息结合进神经网络中的缺陷，提高信息利用率。通过利用参数共享机制，规避了堆叠图网络层数来建模依存树中的多跳路径时因参数线性增长而导致的容易过拟合的风险。