-
公开(公告)号：CN113094623B
公开(公告)日：2023-10-10
申请号：CN202110444567.8
申请日：2021-04-23
Applicant: 中南大学
IPC: G06F16/958
Abstract: 本发明提供了一种舆情云平台接入的舆情系统资源配置的优化方法及子系统，方法包括舆情云平台对一段时间内各接入舆情系统相互转发的网络舆情数据进行分析，就各个接入舆情系统所配置的采集网站的范围进行协商协同，从而提高整体网络舆情数据采集效率；舆情云平台对各接入舆情系统的网络舆情数据分析模型的采用情况进行分析，从中筛选出低采用率的网络舆情数据分析模型并给相应舆情系统反馈，从而提高各个接入舆情公司的投入产出效率。
-
公开(公告)号：CN113190659A
公开(公告)日：2021-07-30
申请号：CN202110728240.3
申请日：2021-06-29
Applicant: 中南大学
IPC: G06F16/33 , G06F16/35 , G06F40/126 , G06F40/216 , G06F40/30 , G06K9/62
Abstract: 本发明提供一种基于多任务联合训练的文言文机器阅读理解方法，包括如下步骤：建立基于多任务联合训练的文言文机器阅读理解模型，然后对文言文进行多任务联合训练；文言文机器阅读理解模型包括：上下文抽取模块、多模型编码模块、双向匹配模块、断句模块和答案分类模块；用上下文抽取模块，对文言文进行抽取，将结果输入多模型编码模块处理；用多模型编码模块对文言文编码，获得其向量化表示；用门机制将其融合；将所得结果输入双向匹配模块和断句模块中处理，用答案分类模块处理双向匹配模块和断句模块的输出结果，得到最终结果。本发明能够准确地针对文言文进行断句处理，并且能够兼顾古文与现代文同时存在的情况，更准确地处理文言文。
-
公开(公告)号：CN114548646B
公开(公告)日：2024-11-26
申请号：CN202111532410.7
申请日：2021-12-15
Applicant: 中南大学
IPC: G06Q10/0635 , G06Q50/22 , G06F16/2458
Abstract: 本发明公开了一种基于关联规则的疫情风险因子识别方法，包括步骤：从官方数据源中提取数据；对提取的数据中的非离散型数据进行数据形式变换；对数据形式变换后的数据进行数据挖掘，生成关联规则，并识别出风险因子；先对关联规则进行分析排序，然后对风险因子进行分析，得出风险因子的风险程度；还公开了一种基于关联规则的疫情风险因子识别系统，该系统包括数据提取模块、数据处理模块、数据挖掘模块和综合分析模块；该方法通过对疫情相关数据进行特征分级与标签化，实现了疫情相关数据形式的转换，提高了数据的鲁棒性和延展性，从而可以利用关联规则对大规模、多维度的数据进行数据挖掘和分析，不再受限于数据的规模和维度。
-
公开(公告)号：CN113094620B
公开(公告)日：2023-10-10
申请号：CN202110443251.7
申请日：2021-04-23
Applicant: 中南大学
IPC: G06F16/958
Abstract: 本发明提供了网络舆情云平台接入舆情系统的各类数据分析模型交换方法、系统及平台；该交换方法包括：构建标准化网络舆情数据分析模型运行环境，对接入舆情云平台的各舆情系统的各类网络舆情数据分析模型提供标准化运行环境；各舆情系统标准化数据分析模型，确保所提供的数据分析模型能够在舆情云平台的标准化运行环境下正常运行；构建网络舆情数据分析模型交易集市，舆情公司对所提供到舆情云平台上的数据分析模型按使用次数、使用时长或分析数据量等规则进行自主标价；以及舆情系统或用户单位根据自身需求从舆情云平台中采购或使用任一个数据分析模块。本发明将多个异构网络舆情系统的各类分析模型共享至网络舆情云平台一平台进行交换使用，提高所有接入网络舆情公司的分析模型利用率。
-
公开(公告)号：CN114548646A
公开(公告)日：2022-05-27
申请号：CN202111532410.7
申请日：2021-12-15
Applicant: 中南大学
IPC: G06Q10/06 , G06Q50/22 , G06F16/2458
Abstract: 本发明公开了一种基于关联规则的疫情风险因子识别方法，包括步骤：从官方数据源中提取数据；对提取的数据中的非离散型数据进行数据形式变换；对数据形式变换后的数据进行数据挖掘，生成关联规则，并识别出风险因子；先对关联规则进行分析排序，然后对风险因子进行分析，得出风险因子的风险程度；还公开了一种基于关联规则的疫情风险因子识别系统，该系统包括数据提取模块、数据处理模块、数据挖掘模块和综合分析模块；该方法通过对疫情相关数据进行特征分级与标签化，实现了疫情相关数据形式的转换，提高了数据的鲁棒性和延展性，从而可以利用关联规则对大规模、多维度的数据进行数据挖掘和分析，不再受限于数据的规模和维度。
-
Patent Agency Ranking
公开(公告)号：CN114385718B
公开(公告)日：2024-11-15
申请号：CN202210071917.5
申请日：2022-01-21
Applicant: 中南大学湘雅医院
IPC: G06F16/2458 , G16H10/60 , G16H50/70
Abstract: 本发明涉及一种基于电子病历分析的隐含规则挖掘方法及系统。该方法包括：将从电子病历数据集中提取的特征分为左项集和右项集；根据左项集中的所有非空子集，遍历电子病历数据集，确定每个非空左项子集的支持度；并将支持度大于等于支持度阈值的非空左项子集进行保存，确定第一集合；将右项集的所有非空子集进行保存，确定第二集合；对第一集合和第二集合做直积，得到左项子集和右项子集的所有组合，确定第三集合；遍历电子病历数据集，确定第三集合每个组合的支持度；并将支持度大于等于支持度阈值的组合确定为频繁项集；确定每个频繁项集的置信度；并根据置信度大于等于置信度阈值的频繁项集确定强关联规则。本发明能够提高关联规则的有效率。
-
公开(公告)号：CN115019923A
公开(公告)日：2022-09-06
申请号：CN202210814501.8
申请日：2022-07-11
Applicant: 中南大学
Abstract: 本发明提供了一种基于对比学习的电子病历数据预训练方法，包括以下步骤：将每个电子病历数据采用不同类别、不同属性的方式建立病历样本数据库；采用数据分级和数据归一化对数据库内的数据进行预处理；基于属性距离采样每条数据的正例样本数据和负例样本数据；对所有数据以及其对应的正例样本数据和负例样本数据进行一一训练，得到每条数据的特征向量和预测值；再根据所有数据的特征向量及其预测值计算损失函数，并根据损失函数对神经网络模型的权重矩阵进行更新；判断神经网络模型的训练是否达到停止条件，若达到，则训练结束，并输出每条数据的特征向量和预测值；若未达到，则对数据进行新一轮的训练，直到达到神经网络模型训练的停止条件。
-
公开(公告)号：CN115019923B
公开(公告)日：2023-04-28
申请号：CN202210814501.8
申请日：2022-07-11
Applicant: 中南大学
IPC: G16H10/60 , G16H50/70 , G06F18/241 , G06F18/2415 , G06N3/047 , G06N3/048 , G06N3/08 , G06N3/04
Abstract: 本发明提供了一种基于对比学习的电子病历数据预训练方法，包括以下步骤：将每个电子病历数据采用不同类别、不同属性的方式建立病历样本数据库；采用数据分级和数据归一化对数据库内的数据进行预处理；基于属性距离采样每条数据的正例样本数据和负例样本数据；对所有数据以及其对应的正例样本数据和负例样本数据进行一一训练，得到每条数据的特征向量和预测值；再根据所有数据的特征向量及其预测值计算损失函数，并根据损失函数对神经网络模型的权重矩阵进行更新；判断神经网络模型的训练是否达到停止条件，若达到，则训练结束，并输出每条数据的特征向量和预测值；若未达到，则对数据进行新一轮的训练，直到达到神经网络模型训练的停止条件。
-
公开(公告)号：CN114385718A
公开(公告)日：2022-04-22
申请号：CN202210071917.5
申请日：2022-01-21
Applicant: 中南大学湘雅医院
IPC: G06F16/2458 , G16H10/60 , G16H50/70
Abstract: 本发明涉及一种基于电子病历分析的隐含规则挖掘方法及系统。该方法包括：将从电子病历数据集中提取的特征分为左项集和右项集；根据左项集中的所有非空子集，遍历电子病历数据集，确定每个非空左项子集的支持度；并将支持度大于等于支持度阈值的非空左项子集进行保存，确定第一集合；将右项集的所有非空子集进行保存，确定第二集合；对第一集合和第二集合做直积，得到左项子集和右项子集的所有组合，确定第三集合；遍历电子病历数据集，确定第三集合每个组合的支持度；并将支持度大于等于支持度阈值的组合确定为频繁项集；确定每个频繁项集的置信度；并根据置信度大于等于置信度阈值的频繁项集确定强关联规则。本发明能够提高关联规则的有效率。
-
公开(公告)号：CN113190659B
公开(公告)日：2021-08-27
申请号：CN202110728240.3
申请日：2021-06-29
Applicant: 中南大学
IPC: G06F16/33 , G06F16/35 , G06F40/126 , G06F40/216 , G06F40/30 , G06K9/62
Abstract: 本发明提供一种基于多任务联合训练的文言文机器阅读理解方法，包括如下步骤：建立基于多任务联合训练的文言文机器阅读理解模型，然后对文言文进行多任务联合训练；文言文机器阅读理解模型包括：上下文抽取模块、多模型编码模块、双向匹配模块、断句模块和答案分类模块；用上下文抽取模块，对文言文进行抽取，将结果输入多模型编码模块处理；用多模型编码模块对文言文编码，获得其向量化表示；用门机制将其融合；将所得结果输入双向匹配模块和断句模块中处理，用答案分类模块处理双向匹配模块和断句模块的输出结果，得到最终结果。本发明能够准确地针对文言文进行断句处理，并且能够兼顾古文与现代文同时存在的情况，更准确地处理文言文。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.02 seconds)
