-
公开(公告)号：CN112949288A
公开(公告)日：2021-06-11
申请号：CN201911263558.8
申请日：2019-12-11
Applicant: 上海大学
IPC: G06F40/232 , G06F40/279 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于字符序列的文本检错方法，包括：S1、从问答系统的日志信息中提取出样本语料；S2、基于样本语料，构建领域词表及各样本文本对应的决策权重矩阵；S3、构建文本检错模型；S4、将多个样本文本分别向量化处理后依次输入文本检错模型，根据预设的迭代次数以及决策权重矩阵，以训练文本检错模型；S5、获取实际文本并构建对应的决策权重矩阵；S6、将实际文本向量化处理后输入训练好的文本检错模型，结合该实际文本对应的决策权重矩阵，得到该实际文本对应的检错结果。与现有技术相比，本发明通过构建对应于文本的决策权重矩阵，并将其与Bi‑LSTM的隐藏输出相结合，能够有效突出错误字符特征，提高检错结果准确性。
-
公开(公告)号：CN112949284A
公开(公告)日：2021-06-11
申请号：CN201911263362.9
申请日：2019-12-11
Applicant: 上海大学
IPC: G06F40/211 , G06F40/289 , G06F40/30 , G06F16/33
Abstract: 本发明涉及一种基于Transformer模型的文本语义相似度预测方法，包括：S1、对两个文本对象进行分词和词性标注；S2、分别得到分词向量表示和词性向量表示；S3、分别得到各文本对象的位置信息以及文本对象之间的相似度矩阵；S4、从相似度矩阵获取各文本对象的附加语句；S5、将附加语句与主语句进行拼接，并将位置信息嵌入到主语句中，得到两个文本对象的嵌入信息；S6、将两个嵌入信息输入模型，以输出两个文本对象的语义相似度预测结果。与现有技术相比，本发明利用分词关系和词性关系，能够获取到深层次隐含信息；通过语句拼接以及嵌入位置信息，提高了模型的语义信息捕捉能力，从而保证语义相似度预测结果的准确性。
-
公开(公告)号：CN111259655A
公开(公告)日：2020-06-09
申请号：CN201911079916.X
申请日：2019-11-07
Applicant: 上海大学
IPC: G06F40/242 , G06F40/247 , G06F40/30 , G06Q30/00
Abstract: 本发明涉及一种基于语义的物流智能客服问题的一种语义相似度计算方法，步骤为：根据收集的物流智能客服问题数据，利用物流领域的语义特征词、词的同义关系、词的词性关系，构建专业词典、同义词典和语义特征词典；获取待判断语义相似度的两句话；确定两句话中的语义特征词，并确定两个语义特征词的交集，对两句话已获得的语义向量进行更新；并根据阈值确定最终的相似度；在从收集的物流新闻、来自实际生产环境的客户问题以及该公司人工客服收集整理的标准问题的数据上进行了大量实验。实验表明本发明不但在处理相同上下文但语义不同的问题上，有良好的判别能力，在基本的问题上也具有比较不错的效果，能够有效的利用先验知识。
-
Patent Agency Ranking
公开(公告)号：CN111259655B
公开(公告)日：2023-07-18
申请号：CN201911079916.X
申请日：2019-11-07
Applicant: 上海大学
IPC: G06F40/242 , G06F40/247 , G06F40/30 , G06Q30/01
Abstract: 本发明涉及一种基于语义的物流智能客服问题的一种语义相似度计算方法，步骤为：根据收集的物流智能客服问题数据，利用物流领域的语义特征词、词的同义关系、词的词性关系，构建专业词典、同义词典和语义特征词典；获取待判断语义相似度的两句话；确定两句话中的语义特征词，并确定两个语义特征词的交集，对两句话已获得的语义向量进行更新；并根据阈值确定最终的相似度；在从收集的物流新闻、来自实际生产环境的客户问题以及该公司人工客服收集整理的标准问题的数据上进行了大量实验。实验表明本发明不但在处理相同上下文但语义不同的问题上，有良好的判别能力，在基本的问题上也具有比较不错的效果，能够有效的利用先验知识。
-
公开(公告)号：CN111027329A
公开(公告)日：2020-04-17
申请号：CN201911074591.6
申请日：2019-11-06
Applicant: 上海大学
Abstract: 本发明提出了一种基于深度学习的物流智能客服系统用户情感分析系统和方法，系统包括语料库开发处理模块、预训练模块、CNN模块、CNN+GRU模块、CNN+特征模型+GRU模块、情感分析结果展示模块。本方法是针对物流智能客服系统中用户的情感识别。基于用户数据的构成复杂性，提出了一种用于物流行业智能客服情感分析的模型，根据特征构建了不同的卷积神经网络的特征模型，采用CNN+特征模型+GRU网络框架实现了多特征融合数据的情感分类。大量的实验结果表明，CNN+特征模型+GRU模型正确，能够有效解决多特征融合的中文文本情感识别问题，在物流智能客服系统中人机交互场景具有广泛的应用前景。
-
公开(公告)号：CN112949284B
公开(公告)日：2022-11-04
申请号：CN201911263362.9
申请日：2019-12-11
Applicant: 上海大学
IPC: G06F40/211 , G06F40/289 , G06F40/30 , G06F16/33
Abstract: 本发明涉及一种基于Transformer模型的文本语义相似度预测方法，包括：S1、对两个文本对象进行分词和词性标注；S2、分别得到分词向量表示和词性向量表示；S3、分别得到各文本对象的位置信息以及文本对象之间的相似度矩阵；S4、从相似度矩阵获取各文本对象的附加语句；S5、将附加语句与主语句进行拼接，并将位置信息嵌入到主语句中，得到两个文本对象的嵌入信息；S6、将两个嵌入信息输入模型，以输出两个文本对象的语义相似度预测结果。与现有技术相比，本发明利用分词关系和词性关系，能够获取到深层次隐含信息；通过语句拼接以及嵌入位置信息，提高了模型的语义信息捕捉能力，从而保证语义相似度预测结果的准确性。
-
公开(公告)号：CN111027329B
公开(公告)日：2023-07-21
申请号：CN201911074591.6
申请日：2019-11-06
Applicant: 上海大学
IPC: G06F40/35 , G06Q30/01 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种基于深度学习的物流智能客服系统用户情感分析系统和方法，系统包括语料库开发处理模块、预训练模块、CNN模块、CNN+GRU模块、CNN+特征模型+GRU模块、情感分析结果展示模块。本方法是针对物流智能客服系统中用户的情感识别。基于用户数据的构成复杂性，提出了一种用于物流行业智能客服情感分析的模型，根据特征构建了不同的卷积神经网络的特征模型，采用CNN+特征模型+GRU网络框架实现了多特征融合数据的情感分类。大量的实验结果表明，CNN+特征模型+GRU模型正确，能够有效解决多特征融合的中文文本情感识别问题，在物流智能客服系统中人机交互场景具有广泛的应用前景。
-
公开(公告)号：CN112949288B
公开(公告)日：2022-11-11
申请号：CN201911263558.8
申请日：2019-12-11
Applicant: 上海大学
IPC: G06F40/232 , G06F40/279 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于字符序列的文本检错方法，包括：S1、从问答系统的日志信息中提取出样本语料；S2、基于样本语料，构建领域词表及各样本文本对应的决策权重矩阵；S3、构建文本检错模型；S4、将多个样本文本分别向量化处理后依次输入文本检错模型，根据预设的迭代次数以及决策权重矩阵，以训练文本检错模型；S5、获取实际文本并构建对应的决策权重矩阵；S6、将实际文本向量化处理后输入训练好的文本检错模型，结合该实际文本对应的决策权重矩阵，得到该实际文本对应的检错结果。与现有技术相比，本发明通过构建对应于文本的决策权重矩阵，并将其与Bi‑LSTM的隐藏输出相结合，能够有效突出错误字符特征，提高检错结果准确性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.014 seconds)
