-
公开(公告)号：CN113377930B
公开(公告)日：2021-11-30
申请号：CN202110931275.7
申请日：2021-08-13
Applicant: 中国科学院自动化研究所
IPC: G06F16/33 , G06F16/36 , G06F40/216 , G06F40/242 , G06F40/295
Abstract: 本发明提供面向中文短文本的实体识别与实体链接方法，包括：使用知识库中的实体名称与实体别名信息去构建实体名称词典并识别出实体；将实体的描述文本输入到预训练语言模型中，得到实体的名称嵌入表示；将所述识别出的实体在原始短文本中的位置特征、原始短文本和所述实体的名称嵌入表示同时输入到融合知识库实体名嵌入的短文本实体识别模型中，得到当前实体是否为正确实体的概率；再与传统的实体识别模型融合，得到最终实体识别结果；利用给定的知识库构建实体指称项词典，并通过实体识别结果确定每一个待消歧实体的候选实体集合；将原始短文本和待消歧实体的描述文本连在一起，输入实体链接模型，得到正确的链接实体。
-
公开(公告)号：CN113283605A
公开(公告)日：2021-08-20
申请号：CN202110841128.0
申请日：2021-07-26
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供基于预训练模型的交叉聚焦损失的溯因推理方法，包括：将观测对O1和O2与所有假设的结合，得到输入序列；将输入序列中的单一输入变量输入预训练模型，得到对应句子级别的特征矩阵，然后对特征矩阵的单词维度求和，得到特征向量；遍历输入序列中所有单一输入变量，得到特征向量序列；将特征向量序列输入双向长短期记忆网络，获取到分布式特征表示，再利用全连接层进行映射求和得到每个输入的分数；将输入序列中N个标签为真的值分别与所有标签为假的值组成N组，并进行组内softmax，得到交叉预测值；引入聚类因子和引入权重因子，改进FocalLoss，得到训练损失函数；优化所述训练损失函数，得到最优的溯因推理模型。
-
公开(公告)号：CN113377930A
公开(公告)日：2021-09-10
申请号：CN202110931275.7
申请日：2021-08-13
Applicant: 中国科学院自动化研究所
IPC: G06F16/33 , G06F16/36 , G06F40/216 , G06F40/242 , G06F40/295
Abstract: 本发明提供面向中文短文本的实体识别与实体链接方法，包括：使用知识库中的实体名称与实体别名信息去构建实体名称词典并识别出实体；将实体的描述文本输入到预训练语言模型中，得到实体的名称嵌入表示；将所述识别出的实体在原始短文本中的位置特征、原始短文本和所述实体的名称嵌入表示同时输入到融合知识库实体名嵌入的短文本实体识别模型中，得到当前实体是否为正确实体的概率；再与传统的实体识别模型融合，得到最终实体识别结果；利用给定的知识库构建实体指称项词典，并通过实体识别结果确定每一个待消歧实体的候选实体集合；将原始短文本和待消歧实体的描述文本连在一起，输入实体链接模型，得到正确的链接实体。
-
公开(公告)号：CN112633483A
公开(公告)日：2021-04-09
申请号：CN202110026128.5
申请日：2021-01-08
Applicant: 中国科学院自动化研究所
Abstract: 本申请实施例涉及一种四元组门图神经网络事件预测方法、装置、设备及介质，旨在提高传统事件预测精度。所述方法包括：将多个初始背景事件与多个待选事件构成事理图谱；将事理图谱中的所有事件的向量以四元组的形式进行表示，得到初始背景事件向量与初始待选事件向量；使用四元组门图神经网络对事理图谱进行图网络计算，得到多个新的背景事件向量与多个新的待选事件向量；利用注意力神经网络对事件的向量进行计算，得到背景事件的整体向量；将整体向量与每个新的待选事件向量进行打分，将得分最高的一个待选事件向量对应的待选事件作为预测结果。
-
公开(公告)号：CN113283605B
公开(公告)日：2021-11-09
申请号：CN202110841128.0
申请日：2021-07-26
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供基于预训练模型的交叉聚焦损失的溯因推理方法，包括：将观测对O1和O2与所有假设的结合，得到输入序列；将输入序列中的单一输入变量输入预训练模型，得到对应句子级别的特征矩阵，然后对特征矩阵的单词维度求和，得到特征向量；遍历输入序列中所有单一输入变量，得到特征向量序列；将特征向量序列输入双向长短期记忆网络，获取到分布式特征表示，再利用全连接层进行映射求和得到每个输入的分数；将输入序列中N个标签为真的值分别与所有标签为假的值组成N组，并进行组内softmax，得到交叉预测值；引入聚类因子和引入权重因子，改进FocalLoss，得到训练损失函数；优化所述训练损失函数，得到最优的溯因推理模型。
-
Patent Agency Ranking
公开(公告)号：CN113254670A
公开(公告)日：2021-08-13
申请号：CN202110665550.5
申请日：2021-06-16
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供基于力导向的知识图谱可视化方法，包括：知识图谱数据提取包括：知识图谱构建和知识图谱查询；构造图数据结构：对构建好的知识图谱查询得到的相关的节点和关系进行图数据结构格式转换；力导向算法布局：随机初始化所有节点在屏幕中的坐标；把节点作为电子，使节点彼此之间存在斥力；把关系作为弹簧，使节点彼此之间存在引力；在斥力和引力的作用下迭代n次，最终达到平衡状态，得到所有节点的稳定坐标；可视化呈现：根据所有节点的稳定坐标，分别绘制节点以及节点之间的连线，得到最终知识图谱；运算流程可视化交互：通过最终知识图谱，为每个节点和关系绑定监听事件，使用户能通过鼠标操作节点和关系。
-
公开(公告)号：CN113051404A
公开(公告)日：2021-06-29
申请号：CN202110024807.9
申请日：2021-01-08
Applicant: 中国科学院自动化研究所
IPC: G06F16/36 , G06F16/2455
Abstract: 本申请实施例涉及数据处理技术领域，具体涉及一种基于张量分解的知识推理方法、装置、设备，旨在提高时序知识推理任务的准确率。所述方法包括：对时序知识图谱数据集中的数据进行提取，得到多组四元组数据，多组四元组数据中的每组四元组数据中包含了头实体、关系、尾实体以及时间；对多组四元组数据进行标注及处理，将处理好的四元组数据作为训练材料；将训练材料输入基于张量分解的时序知识推理模型及其变体模型中，利用梯度下降算法对时序知识推理模型及其变体模型分别进行训练，得到训练好的时序知识推理模型及其变体模型；使用训练好的时序知识推理模型及其变体模型分别执行预测任务，推理问题的答案，得到最终的推理结果。
-
公开(公告)号：CN112668342B
公开(公告)日：2024-05-07
申请号：CN202110024800.7
申请日：2021-01-08
Applicant: 中国科学院自动化研究所
IPC: G06F40/30 , G06F40/289 , G06F16/36 , G06F16/35 , G06F18/23213 , G06N3/0464 , G06N3/08
Abstract: 本申请实施例涉及一种基于孪生网络的远程监督关系抽取降噪系统，旨在旨在降低远程监督回标训练数据的噪声影响，同时减少训练数据损失的情况。该系统包括：文本分析模块，关系选择器训练模块，关系选择模块，噪声数据聚类模块，关系分类模块；所述文本分析模块用于接收远程监督回标文本数据，输出初始候选数据和初始高可信度数据；所述关系选择器训练模块用于利用标注好的文本数据训练出基于孪生网络的关系选择器；所述关系选择模块用于对初始候选数据和初始高可信度数据进行关系选择，输出噪声数据和新增高可信度数据；所述噪声聚类模块用于对噪声数据进行聚类分析，输出新增候选数据，所述关系分类模块用于输出最后的分类结果。
-
公开(公告)号：CN113051404B
公开(公告)日：2024-02-06
申请号：CN202110024807.9
申请日：2021-01-08
Applicant: 中国科学院自动化研究所
IPC: G06F16/36 , G06F16/2455
Abstract: 本申请实施例涉及数据处理技术领域，具体涉及一种基于张量分解的知识推理方法、装置、设备，旨在提高时序知识推理任务的准确率。所述方法包括：对时序知识图谱数据集中的数据进行提取，得到多组四元组数据，多组四元组数据中的每组四元组数据中包含了头实体、关系、尾实体以及时间；对多组四元组数据进行标注及处理，将处理好的四元组数据作为训练材料；将训练材料输入基于张量分解的时序知识推理模型及其变体模型中，利用梯度下降算法对时序知识推理模型及其变体模型分别进行训练，得到训练好的时序知识推理模型及其变体模型；使用训练好的时序知识推理模型及其变体模型分别执行预测任务，推理问题的答案，得到最终的推理结果。
-
公开(公告)号：CN114399049A
公开(公告)日：2022-04-26
申请号：CN202210289845.1
申请日：2022-03-22
Applicant: 中国科学院自动化研究所
IPC: G06N5/02
Abstract: 本发明提供一种知识图谱自动补全方法，对于图谱中每一实体，统计其连接的关系边的种类和指向情况生成连边信息项集，通过对实体连边信息项集进行频繁二项集挖掘并生成关联规则，区分主要连边信息并进一步生成逆向关联规则，由关联规则生成实体的缺失连边信息并作为待补全三元组。此外，在处理过程中将会剔除明显的多对一关系的头实体连边信息以及明显的一对多关系的尾实体连边信息。解决了传统图谱补全算法无法自动获得待补全三元组的问题，为图谱补全算法提供了对信息搜索和补全的指导，节约时间和成本，提高效率和准确率，能提升在生物医学、金融信息、安保防护等多种领域下涉及图谱的算法表现。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.032 seconds)
