-
公开(公告)号：CN113469395A
公开(公告)日：2021-10-01
申请号：CN202010237442.3
申请日：2020-03-30
Applicant: 富士通株式会社
IPC: G06Q10/04 , G06Q30/02 , G06N3/04 , G06F17/18 , G06F16/2458
Abstract: 公开了一种信息处理装置和信息处理方法。信息处理装置包括：第一训练单元，利用第一样本集来分别训练多个用于预测对象的随时间变化的特性数据的第一预测器；以及第二训练单元，利用第二样本集来训练用于对多个第一预测器的预测结果进行整合的第二预测器，以得到经训练的第二预测器，其中，将第二样本集中的样本输入到经训练的多个第一预测器的至少一部分后得到的输出作为第二预测器的输入，第二样本集是在时间上位于第一样本集之后的特性数据，其中，以预定的时间间隔更新第一样本集和第二样本集，并且基于更新后的第一样本集和第二样本集来分别执行第一训练单元和第二训练单元中的处理，从而使得经训练的第二预测器按预定的时间间隔被更新。
-
公开(公告)号：CN108021544B
公开(公告)日：2021-07-06
申请号：CN201610929103.5
申请日：2016-10-31
Applicant: 富士通株式会社
IPC: G06F40/295 , G06F40/30
Abstract: 本申请实施例提供一种对文本序列中实体词的语义关系进行分类的方法、装置和电子设备，该装置包括：第一获得单元，其用于将文本序列中的每个词用词向量表示，以构建第一矩阵；第二获得单元，其利用深度学习模型对所述第一矩阵进行处理，以获得第二矩阵；第三获得单元，其利用2个以上的注意力模型，对所述第二矩阵进行处理，以确定所述文本序列中词的受关注程度，并基于所述受关注程度获得所述文本序列的第三矩阵；分类单元，其至少根据所述文本序列的所述第三矩阵，以及预先存储的分类模型，来确定所述文本序列中的实体词之间的语义关系。根据本实施例，能够提高分类效率。
-
公开(公告)号：CN107562752B
公开(公告)日：2021-05-28
申请号：CN201610509575.5
申请日：2016-06-30
Applicant: 富士通株式会社
Abstract: 本申请实施例提供一种对文本序列中实体词的语义关系进行分类的方法、装置和电子设备，该装置包括：第一获得单元，其用于将文本序列中的每个词用词向量表示，以构建第一矩阵；第二获得单元，其利用深度学习模型对所述第一矩阵进行处理，以获得第二矩阵；第三获得单元，其利用注意力模型，对所述第二矩阵进行处理，以确定所述文本序列中词的受关注程度，并基于所述受关注程度获得所述文本序列的第三矩阵；分类单元，其至少根据所述文本序列的所述第三矩阵，以及预先存储的分类模型，来确定所述文本序列中的实体词之间的语义关系。根据本实施例，能够提高分类效率。
-
公开(公告)号：CN107305543B
公开(公告)日：2021-05-11
申请号：CN201610258308.5
申请日：2016-04-22
Applicant: 富士通株式会社
IPC: G06F40/30
Abstract: 本发明涉及对实体词的语义关系进行分类的方法和装置。该方法包括：基于句子中的每个词以及其相对于两个实体词的位置权重来生成待分类向量；用预定的方向分类特征参数和预定的类型分类特征参数分别与待分类向量相乘，用非线性激活函数对各自的乘积分别进行非线性变换，从而生成方向分类特征和类型分类特征；以及根据方向分类特征和类型分类特征，利用预先存储的分类模型来确定两个实体词之间的语义关系方向和语义关系类型。
-
公开(公告)号：CN112651539A
公开(公告)日：2021-04-13
申请号：CN201910967985.8
申请日：2019-10-12
Applicant: 富士通株式会社
Abstract: 公开了一种信息处理装置和信息处理方法。其中，信息处理装置包括：变化点检测单元，被配置成使用第一数据划分单元从对象的历史特性数据序列中检测多个变化点，其中，多个变化点中第一变化点的特性相对于第一数据划分单元中的数据的统计特性的第一变化程度大于多个变化点中第二变化点的特性相对于第一数据划分单元中的数据的统计特性的第二变化程度；历史特性数据序列分割单元，被配置成基于所检测到的第一变化点和第二变化点，将历史特性数据序列分割为多个数据分段；以及训练单元，被配置成基于多个数据分段来训练对象的预测器，其中，预测器用于预测对象的随时间变化的特性数据。
-
Patent Agency Ranking
公开(公告)号：CN106407211B
公开(公告)日：2019-08-06
申请号：CN201510459760.3
申请日：2015-07-30
Applicant: 富士通株式会社
Abstract: 本发明涉及对实体词的语义关系进行分类的方法和装置。该方法包括：通过将句子中的每个词用词向量表示来构建第一矩阵，将第一矩阵中的实体词的向量进行连接以得到第一实体词向量；对第一矩阵利用深度学习模型进行处理得到第二矩阵，将第二矩阵中的实体词的向量进行连接以得到第二实体词向量；对第二矩阵进行池化处理来得到句子级特征；将第一实体词向量与第二实体词向量进行连接得到词汇级特征；以及将句子级特征和词汇级特征进行连接得到的向量作为待分类向量输入预先存储的分类模型来确定实体词之间的语义关系。根据本发明，提供了一种更有效的对实体词的语义关系进行分类的方法和装置。
-
公开(公告)号：CN108694163A
公开(公告)日：2018-10-23
申请号：CN201710220821.X
申请日：2017-04-06
Applicant: 富士通株式会社
CPC classification number: G06F17/2785 , G06F17/2765 , G06K9/6273 , G06N3/0445 , G06N3/0454
Abstract: 本发明公开了一种计算句子中的词的概率的方法、装置和神经网络。计算句子中的词的概率的方法，包括：依序计算句子中的各个词的长距离依赖特征，特定词的长距离依赖特征表征该特定词与句子中的其他长距离的词之间的依赖关系；依序计算各个词的语义结构特征，特定词的语义结构特征表征包含该特定词及其之前的词的局部句子的语义结构；将每个词的长距离依赖特征和语义结构特征组合，以得到句子中的各个词的词特征；以及基于各个词特征，来计算句子中的各个词的概率。通过本发明的方法，能够将语义结构特征引入到神经网络训练框架中。
-
公开(公告)号：CN109918058B
公开(公告)日：2022-08-12
申请号：CN201711328030.5
申请日：2017-12-13
Applicant: 富士通株式会社
IPC: G06F8/30
Abstract: 本公开涉及信息处理装置和信息处理方法以及用于在编程环境中推荐代码码片的方法。根据本公开的信息处理装置用于对元素集合中的若干元素构成的元素序列进行处理以预测后续元素，元素序列中的元素之间存在逻辑关系，该信息处理装置包括：第一预测单元，接收元素序列并且基于元素序列生成中间状态和第一预测结果；一个或更多个第二预测单元，其数目对应于元素集合中的元素类型的数目，针对每种元素类型存在一个对应的第二预测单元，第二预测单元接收中间状态并且基于中间状态以及与相应的元素类型相关的参数生成第二预测结果；以及确定单元，接收第一预测结果和第二预测结果并且基于第一预测结果和第二预测结果确定后续元素。
-
公开(公告)号：CN107402914B
公开(公告)日：2020-12-15
申请号：CN201610341719.0
申请日：2016-05-20
Applicant: 富士通株式会社
IPC: G06F40/284 , G06F40/30 , G06N3/08
Abstract: 本发明涉及自然语言深度学习系统和方法。该系统包括：误差计算单元，其被配置成在对自然语言深度学习系统进行训练时，根据基于样本对的损失函数来计算样本的误差值，损失函数为相似度损失函数与类别损失函数的组合，其中，相似度损失函数基于如下准则来定义：当样本对的真实类别相同时，其类别预测向量值之间的差别应当较小，而当样本对的真实类别不同时，其类别预测向量值之间的差别应当较大，类别损失函数基于样本对的类别误差来定义。在该系统中，基于样本对设计损失函数，减少了基于样本对损失学习的代价。
-
公开(公告)号：CN111652664A
公开(公告)日：2020-09-11
申请号：CN201910160233.0
申请日：2019-03-04
Applicant: 富士通株式会社
Abstract: 公开了一种训练混合元学习网络的装置和方法。装置包括进行下述处理的单元：获得推荐神经网络的损失并计算泛化损失，每个推荐神经网络具有嵌入层；计算泛化损失相对每个推荐神经网络的权重参数的梯度；将梯度分别输入到第一元学习网络，获得每个推荐神经网络的权重参数的更新量；基于更新量更新推荐神经网络的权重参数；使得朝向推荐神经网络的损失更小的方向训练第一元学习网络；计算过时推荐项集中的每个推荐项与新出现推荐项集中的每个推荐项之间的第一相似度和第二相似度；朝向相似度损失更小的方向训练嵌入层和第二元学习网络的权重参数；迭代地进行上述处理直到满足第一迭代终止条件为止。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.035 seconds)
