-
公开(公告)号：CN114970497B
公开(公告)日：2023-05-16
申请号：CN202210625333.8
申请日：2022-06-02
Applicant: 中南大学
IPC: G06F16/35 , G06F40/289 , G06F40/30 , G06F40/205 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/08 , G06N10/00
Abstract: 本发明公开了一种基于预训练特征嵌入的文本分类方法，包括构建训练数据集；构建量子启发式文本分类初始模型；采用训练数据集训练量子启发式文本分类初始模型得到量子启发式文本分类模型；获取预训练模型ERNIE；连接量子启发式文本分类模型和预训练模型ERNIE构建文本分类模型；采用训练数据集训练文本分类模型得到基于预训练特征嵌入的文本分类模型；采用基于预训练特征嵌入的文本分类模型对实际文本进行文本分类。本发明提供的这种基于预训练特征嵌入的文本分类方法及词义消歧方法，通过结合预训练特征嵌入、神经网络模型和量子计算理论，提出了全新的文本分类方法和对应的词义消歧方法；本发明方法不仅可靠性高，而且分类精度较好。
-
Patent Agency Ranking
公开(公告)号：CN112699222A
公开(公告)日：2021-04-23
申请号：CN202110019433.1
申请日：2021-01-07
Applicant: 中南大学
IPC: G06F16/33 , G06F16/35 , G06F40/216 , G06F40/289 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08 , G06N10/00
Abstract: 本发明公开了一种基于量子启发式神经网络的文本分类方法，包括训练数据；构建初级文本分类模型；采用训练数据对初级文本分类模型进行训练得到文本分类最终模型；采用文本分类最终模型对实际文本进行分类。本发明还公开了一种包括所述基于量子启发式神经网络的文本分类方法的邮件分类方法。本发明采用量子力学中的密度矩阵表示句子级别的文本，使用投影测量确定文本极性；采用GRU提取文本语义特征，丰富词向量的语义信息，提升模型在文本分类任务中的效果；在GRU层，添加自注意力层，使模型能够关注到句子中的重要单词，降低影响分类结果的单词的权重，进一步提升模型的分类效果；因此本发明方法可靠性高、实用性好且精确度较高。
-
公开(公告)号：CN112699222B
公开(公告)日：2022-05-06
申请号：CN202110019433.1
申请日：2021-01-07
Applicant: 中南大学
IPC: G06F16/33 , G06F16/35 , G06F40/216 , G06F40/289 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08 , G06N10/00
Abstract: 本发明公开了一种基于量子启发式神经网络的文本分类方法，包括训练数据；构建初级文本分类模型；采用训练数据对初级文本分类模型进行训练得到文本分类最终模型；采用文本分类最终模型对实际文本进行分类。本发明还公开了一种包括所述基于量子启发式神经网络的文本分类方法的邮件分类方法。本发明采用量子力学中的密度矩阵表示句子级别的文本，使用投影测量确定文本极性；采用GRU提取文本语义特征，丰富词向量的语义信息，提升模型在文本分类任务中的效果；在GRU层，添加自注意力层，使模型能够关注到句子中的重要单词，降低影响分类结果的单词的权重，进一步提升模型的分类效果；因此本发明方法可靠性高、实用性好且精确度较高。
-
公开(公告)号：CN112511298B
公开(公告)日：2022-03-18
申请号：CN202011390255.5
申请日：2020-12-02
Applicant: 中南大学
Abstract: 本发明公开了一种基于玻色采样的随机数生成方法，包括确定玻色采样的输入玻色子源和玻色子源演化所需要的线性光学网络；将输入玻色子源通过线性光学网络并采用光子探测器对输出态进行探测得到玻色采样的采样结果；对探测结果进行后处理得到对应的随机比特；重复上述步骤直至得到指定长度的随机数序列。本发明还公开了包括所述基于玻色采样的随机数生成方法的量子密钥分发方法。本发明提供的这种基于玻色采样的随机数生成方法及量子密钥分发方法，通过采用玻色采样及其后处理过程，产生了均匀无偏的量子随机数序列，而且本发明产生的随机数是与输入源无关的，安全性更高，可靠性高，简单易实现。
-
公开(公告)号：CN114970497A
公开(公告)日：2022-08-30
申请号：CN202210625333.8
申请日：2022-06-02
Applicant: 中南大学
IPC: G06F40/205 , G06F40/289 , G06F40/30 , G06F16/35 , G06K9/62 , G06N3/04 , G06N3/08 , G06N10/00
Abstract: 本发明公开了一种基于预训练特征嵌入的文本分类方法，包括构建训练数据集；构建量子启发式文本分类初始模型；采用训练数据集训练量子启发式文本分类初始模型得到量子启发式文本分类模型；获取预训练模型ERNIE；连接量子启发式文本分类模型和预训练模型ERNIE构建文本分类模型；采用训练数据集训练文本分类模型得到基于预训练特征嵌入的文本分类模型；采用基于预训练特征嵌入的文本分类模型对实际文本进行文本分类。本发明提供的这种基于预训练特征嵌入的文本分类方法及词义消歧方法，通过结合预训练特征嵌入、神经网络模型和量子计算理论，提出了全新的文本分类方法和对应的词义消歧方法；本发明方法不仅可靠性高，而且分类精度较好。
-
公开(公告)号：CN112511298A
公开(公告)日：2021-03-16
申请号：CN202011390255.5
申请日：2020-12-02
Applicant: 中南大学
Abstract: 本发明公开了一种基于玻色采样的随机数生成方法，包括确定玻色采样的输入玻色子源和玻色子源演化所需要的线性光学网络；将输入玻色子源通过线性光学网络并采用光子探测器对输出态进行探测得到玻色采样的采样结果；对探测结果进行后处理得到对应的随机比特；重复上述步骤直至得到指定长度的随机数序列。本发明还公开了包括所述基于玻色采样的随机数生成方法的量子密钥分发方法。本发明提供的这种基于玻色采样的随机数生成方法及量子密钥分发方法，通过采用玻色采样及其后处理过程，产生了均匀无偏的量子随机数序列，而且本发明产生的随机数是与输入源无关的，安全性更高，可靠性高，简单易实现。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
