公开(公告)号：CN114202451B

公开(公告)日：2024-07-02

申请号：CN202111544868.4

申请日：2021-12-16

Applicant: 华侨大学

Inventor： 何霆 ,  孙凤娇 ,  朱文龙 ,  李海波 ,  廖永新

IPC: G06Q10/067 ,  G06F17/13 ,  G06F17/16

Abstract: 本发明实施例提供一种服务生态系统的演化分析方法、装置、设备和存储介质，涉及服务生态系统模拟技术领域。其中，这种演化分析方法包含步骤S1至步骤S4。S1、获取服务生态系统的初始信息。S2、根据初始信息，基于扩展的Logistic微分方程，构建各价值共创单元相互作用的共生演化模型。S3、基于雅各比矩阵，采用李亚普诺夫第一法，计算分析共生演化模型的渐进稳定性。S4、获取计算过程中的演化过程，以及系统达到稳定状态时各价值共创单元的规模。本发明的演化分析方法用于探索不同的类型的不同的对象在服务生态系统中保持稳定状态的共生模式和共生条件，能够准确得到所需要的信息。

公开(公告)号：CN117574230A

公开(公告)日：2024-02-20

申请号：CN202311545774.8

申请日：2023-11-20

Applicant: 华侨大学

Inventor： 王华珍 ,  孙悦 ,  胡渲郎 ,  尤海滨 ,  何霆

IPC: G06F18/241 ,  G06F40/289 ,  G06F40/30 ,  G06F40/242 ,  G06F40/211

Abstract: 本发明提供了护理活动文本层级多标签分类方法、装置、设备及存储介质，涉及人工智能技术领域，首先将原始输入的护理活动文本代入提示模板，得到带有掩码标识符“mask”的提示语句子，将其输入到预训练语言模型ERNIE中，得到对应“mask”的提示语隐向量；其次，将提示语隐向量输入到标签词映射器，输出分类标签词概率向量，取概率大于阈值的标签值作为预测标签词集；最后将预测标签词集转换成层级多标签，层级多标签包含领域、措施类别、措施名称的层级多标签词集。通过该方法能缓解少样本场景下可学习的知识不足的问题，有助于更好地理解文本内容、提高分类的准确性。此外，本发明还提供了具备该方法的装置、设备及存储介质。

公开(公告)号：CN117573835A

公开(公告)日：2024-02-20

申请号：CN202311642501.5

申请日：2023-12-04

Applicant: 华侨大学

Inventor： 王华珍 ,  胡渲郎 ,  林致中 ,  尤海滨 ,  何霆 ,  李弼程

IPC: G06F16/332 ,  G06F16/33 ,  G06F40/279 ,  G06F18/22 ,  G06F18/23213 ,  G16H50/70 ,  G16H80/00

Abstract: 本发明提供了一种大模型微调指令自动化生成方法、装置、设备及介质，首先通过模板法构建人工指令集。接着基于提示微调构建MCT对话生成的机器指令，并基于指标度量方法对生成的MCT对话语料进行修正；接着基于最大边缘相关算法进行机器指令采样；接着基于K‑Means算法进行指令池指令采样。提出了一个面向MCT多轮对话的大模型微调指令自动化生成框架，能生成符合MCT等级标准，具有角色、话题和任务等多样性的MCT对话数据集，对医学自然语言处理的新任务以及模型评估具有重要的理论价值和应用效益。

公开(公告)号：CN117473956A

公开(公告)日：2024-01-30

申请号：CN202311642496.8

申请日：2023-12-04

Applicant: 华侨大学

Inventor： 王华珍 ,  黄世文 ,  何霆 ,  陈坚

IPC: G06F40/126 ,  G06N3/084

Abstract: 本发明提供了一种基于Transformer的无触发词事件检测方法、装置、设备及介质，首先，将一段文本输入到T‑WTED（Transformer based Without Trigger Event Detection）模型的Transformer编码器模块进行特征学习，获得文本字级别特征。进而以句子为基本对象，利用最大池化运算获得文本所有句子的向量表示序列。随后，将句子向量序列送入BiGRU（Bi‑Gated Recurrent Unit）网络进行句子间上下文信息交互，获得文本隐状态向量。最后，将文本隐状态向量送入多标签分类网络检测出文本中包含的不同事件类型。本方法能适应无触发词事件信息抽取，能不依赖事件触发词开展文本事件检测，在多个领域中均可发挥作用。

公开(公告)号：CN117388711A

公开(公告)日：2024-01-12

申请号：CN202311450582.9

申请日：2023-11-02

Applicant: 华侨大学

Inventor： 何霆 ,  张宣梁 ,  朱文龙 ,  熊艺锋 ,  王成 ,  王华珍

IPC: G01R31/367 ,  G01R31/387 ,  G01R31/392 ,  G01R31/396

Abstract: 本发明实施例提供一种电池电量和健康度的联合估计方法、装置、设备和介质，涉及电池管理技术领域。其包含S1、获取电池的运行数据。其中，运行数据包括电池的电流、电压和温度。S2、对运行数据进行预处理，获取预处理数据。其中，预处理包括归一化处理和去除异常值处理。S3、根据预处理数据，进行滑动窗口划分处理，获取电量值评估数据。S4、根据预处理数据，进行长度对齐处理，获取健康度评估数据。S5、将电量值评估数据和健康度评估数据输入预先构建的基于多任务学习的储能电池电量与健康度联合估计模型，获取电池的电量和健康度。其中，基于多任务学习的储能电池电量与健康度联合估计模型包含：SOC编码器、SOH编码器和MMoE多任务学习模型。

公开(公告)号：CN116610815A

公开(公告)日：2023-08-18

申请号：CN202310617748.5

申请日：2023-05-29

Applicant: 华侨大学

Inventor： 王华珍 ,  张伟汉 ,  何霆 ,  李弼程

IPC: G06F16/36 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N5/02

Abstract: 本发明提供了一种知识图谱的关系预测方法、装置、设备及存储介质，先通过对待预测问句进行提取生成链接实体集，将所述链接实体集结合知识图谱以生成候选查询图；接着，调用语义匹配网络对所述候选查询图和所述问句进行处理，以生成相似度值；再接着，根据所述相似度值，对所述候选查询图进行排序，以确定最优查询图，最后，根据所述最优查询图生成所述问句中所有实体之间的关系，解决了查询图生产质量不高的问题。

公开(公告)号：CN116069919B

公开(公告)日：2023-06-20

申请号：CN202310206985.2

申请日：2023-03-07

Applicant: 华侨大学 ,  中国医学科学院阜外医院

Inventor： 王华珍 ,  刘立旻 ,  张伟汉 ,  何霆 ,  李弼程

IPC: G06F16/332 ,  G06F16/36 ,  G06F40/284 ,  G06F40/30 ,  G06F40/211 ,  G06F18/22

Abstract: 本发明实施例提供基于文本和图拓扑相似的问句实体链接方法、装置和介质，涉及知识图谱问答领域。问句实体链接方法包括S1获取问句，并进行实体识别，获取实体提及集合。S2将实体提及集合中的实体提及与知识图谱进行关键词匹配，获取候选实体集。S3根据实体提及集合和候选实体集，进行相似度计算，获取各个候选实体与其对应的实体提及的第一相似度。S4根据第一相似度对各个候选实体进行排序并保留前k个候选实体，获取各个实体提及的候选实体列表。S5获取候选实体列表中的候选实体的向量表示。S6根据向量表示，通过组合相似度模型计算任意两个候选实体列表之间的组合实体向量之间的第二相似度，获取第二相似度最大的组合作链接实体集合。

公开(公告)号：CN110807069B

公开(公告)日：2022-06-07

申请号：CN201911011199.7

申请日：2019-10-23

Applicant: 华侨大学

Inventor： 何霆 ,  孙偲 ,  王华珍 ,  王成 ,  李海波 ,  吴雅婷 ,  许晓泓 ,  廖永新

IPC: G06F16/28 ,  G06F16/36 ,  G06F40/284

Abstract: 本发明公开了一种基于强化学习算法的实体关系联合抽取模型构建方法，包括：输入文本，采用联合抽取标注策略对原始语料中的每条语句的词语进行实体关系标注；将文本转化为word2vec向量；预训练LSTM联合抽取器；初始化训练器网络并打乱袋子顺序；计算当前语句奖励值；计算总期望奖励值；利用优化函数更新模型参数；如果模型已收敛，对模型进行超参数的调优训练；如果超参数为最优解，生成最终的实体关系联合抽取方案。本发明基于策略梯度优化算法构建强化学习模型，能对复杂的自然语言类型原始语料的语句实体关系联合抽取问题进行有效求解，并能有效提高实体关系抽取的准确率和F1值。

公开(公告)号：CN110069632B

公开(公告)日：2022-06-07

申请号：CN201910284980.5

申请日：2019-04-10

Applicant: 华侨大学

Inventor： 王华珍 ,  李小整 ,  何霆 ,  贺惠新 ,  李弼程

IPC: G06F16/35 ,  G06F40/30 ,  G06F40/289 ,  G06F40/242 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种集成浅层语义表示向量的深度学习文本分类方法，方法包括：首先对文本语料训练词嵌入向量，其次利用领域词汇字典作为浅层语义词汇，基于浅层语义词汇，生成文本语料中每一个词的浅层语义向量表达。接下来将两个词向量进行加权拼接作为新的词向量输入到CNN模型中，进行特征提取和模型训练，构建文本分类器。本发明解决基于大数据驱动的词向量表达缺少词法特征和知识表示，难以真正理解词汇语义信息的缺陷，使得模型具有更加丰富的特征表达和更高的分类性能。

公开(公告)号：CN110059187B

公开(公告)日：2022-06-07

申请号：CN201910284597.X

申请日：2019-04-10

Applicant: 华侨大学

Inventor： 王华珍 ,  李小整 ,  何霆 ,  贺惠新 ,  李弼程

IPC: G06F16/35 ,  G06F40/289

Abstract: 本发明公开了一种集成浅层语义预判模态的深度学习文本分类方法，方法包括：首先对文本语料实施常规的CNN深度学习训练，包括词嵌入、卷积、池化和模式输出；其次利用领域词汇字典作为浅层语义词汇，基于浅层语义词汇，计算浅层语义预判模式；接下来将浅层语义预判模态和深度学习决策模态进行双模态融合，作为SDG‑CNN模型最终的决策模式，进而以该决策模式构建损失函数和实施参数优化。本发明解决了传统深度学习模型在模型优化过程中缺乏背景知识和语义信息，信息模态单一的缺陷，提升了深度学习文本分类模型的性能。