-
公开(公告)号：CN112069408A
公开(公告)日：2020-12-11
申请号：CN202010931994.4
申请日：2020-09-08
Applicant: 北京理工大学
IPC: G06F16/9535 , G06F40/284 , G06F40/30 , G06F40/242 , G06F40/186 , G06F16/36
Abstract: 本发明涉及一种融合关系抽取的推荐系统及方法，属于内容推荐技术领域。所述系统中的物品特征构建模块构建文本特征矩阵、基础实体特征矩阵和增强实体特征矩阵，进而得到目标物品和用户历史行为中交互物品的特征向量；用户兴趣构建模块得到用户兴趣向量；多层感知机模块得到用户点击目标物品的概率；所述方法包括1)关系抽取子模块预测实体间的关系；2)通过知识提取获得词嵌入、基础实体嵌入和增强实体嵌入集合；3)采用KCNN构建物品特征；4)构建用户兴趣构建用户兴趣；5)拼接特征向量，预测用户点击目标物品的概率。所述系统及方法能有效降低实体对模板的影响，准确度比现有技术高。
-
公开(公告)号：CN112069408B
公开(公告)日：2023-06-09
申请号：CN202010931994.4
申请日：2020-09-08
Applicant: 北京理工大学
IPC: G06F16/9535 , G06F40/284 , G06F40/30 , G06F40/242 , G06F40/186 , G06F16/36
Abstract: 本发明涉及一种融合关系抽取的推荐系统及方法，属于内容推荐技术领域。所述系统中的物品特征构建模块构建文本特征矩阵、基础实体特征矩阵和增强实体特征矩阵，进而得到目标物品和用户历史行为中交互物品的特征向量；用户兴趣构建模块得到用户兴趣向量；多层感知机模块得到用户点击目标物品的概率；所述方法包括1)关系抽取子模块预测实体间的关系；2)通过知识提取获得词嵌入、基础实体嵌入和增强实体嵌入集合；3)采用KCNN构建物品特征；4)构建用户兴趣构建用户兴趣；5)拼接特征向量，预测用户点击目标物品的概率。所述系统及方法能有效降低实体对模板的影响，准确度比现有技术高。
-
公开(公告)号：CN112069777B
公开(公告)日：2022-09-30
申请号：CN202010931906.0
申请日：2020-09-08
Applicant: 北京理工大学
IPC: G06F40/166 , G06F40/284 , G06F40/126 , G06F40/216 , G06N3/08
Abstract: 本发明涉及一种基于骨架的二阶段数据到文本生成方法，属于人工智能与自然语言生成技术领域。所述方法将数据到文本生成划分为骨架构建和文本生成两个阶段。首先，本方法提出一种基于结构化Transformer的骨架构建模型SCST来构建数据的文本骨架；然后，将文本骨架嵌入到本方法提出的基于骨架的非自回归文本生成模型SNAM中，利用插入与删除操作逐步生成文本。该方法能较好地发掘人物传记类新闻之间的知识关联，在BLEU及ROUGE指标上显著优于传统模型。
-
公开(公告)号：CN111191461B
公开(公告)日：2021-08-03
申请号：CN201911395765.9
申请日：2019-12-30
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于课程学习的远程监督关系抽取方法，属于人工智能和自然语言处理技术领域。本方法将关系抽取器看作学生网络，针对关系抽取任务，设计一个导师网络来监督关系抽取器的训练过程。导师网络接收关系抽取器的相关特征信息输入，学习出包中每个句子的权重，然后将其反馈到关系抽取器中，使得质量好的句子更多参与到关系抽取器的训练过程中。本方法为了高效地协同训练两个网络，在交替局部梯度下降方法基础上进行改进，提出一种适用于关系抽取任务的联合优化方法。本发明提高了噪声环境下关系抽取的效果，在主流的关系抽取数据集中优于传统方法。
-
公开(公告)号：CN112069777A
公开(公告)日：2020-12-11
申请号：CN202010931906.0
申请日：2020-09-08
Applicant: 北京理工大学
IPC: G06F40/166 , G06F40/284 , G06F40/126 , G06F40/216 , G06N3/08
Abstract: 本发明涉及一种基于骨架的二阶段数据到文本生成方法，属于人工智能与自然语言生成技术领域。所述方法将数据到文本生成划分为骨架构建和文本生成两个阶段。首先，本方法提出一种基于结构化Transformer的骨架构建模型SCST来构建数据的文本骨架；然后，将文本骨架嵌入到本方法提出的基于骨架的非自回归文本生成模型SNAM中，利用插入与删除操作逐步生成文本。该方法能较好地发掘人物传记类新闻之间的知识关联，在BLEU及ROUGE指标上显著优于传统模型。
-
Patent Agency Ranking
公开(公告)号：CN111061856A
公开(公告)日：2020-04-24
申请号：CN201911334781.7
申请日：2019-12-23
Applicant: 北京理工大学
IPC: G06F16/335 , G06F16/36 , G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于知识感知的新闻推荐方法，属于人工智能与网络信息大数据技术领域。首先从新闻文本中识别出实体，将其与知识图谱中的实体相匹配，利用知识表示学习模型得到实体和关系的向量表示。然后，用卷积神经网络融合新闻的词向量和实体向量，从中学习新闻的综合特征。对于每个候选新闻，基于用户浏览历史与候选新闻间的相关性，使用注意力网络动态构建用户特征。同时，考虑已点击新闻中的实体与候选新闻中的实体间的路径，利用长短期记忆网络从路径中生成路径特征。最后以候选新闻特征、用户特征和路径特征为输入，用多层感知机制计算用户点击候选新闻的概率，达到推荐目的。本发明能够有效发掘新闻之间的知识关联，显著优于传统方法。
-
公开(公告)号：CN115545005A
公开(公告)日：2022-12-30
申请号：CN202211185558.2
申请日：2022-09-27
Applicant: 北京理工大学
IPC: G06F40/205 , G06F40/284 , G06F40/295 , G06F40/30 , G06F16/35
Abstract: 本发明公开了一种融合知识和约束图的远程监督关系抽取方法，属于计算机自然语言处理中的文本数据关系提取技术领域。本方法，通过使用实体知识上下文进行额外信息补充。通过实体类型、关系约束图进行关系间信息传递，通过多源融合注意力机制对句子语义信息和实体上下文信息、实体关系约束信息进行信息融合，帮助进行句子和实体关系的表示学习，提升关系抽取效果。本方法同时解决了远程监督关系抽取的数据噪声问题和关系长尾问题，尤其适合对于大规模的文本数据下和复杂文本环境下的关系抽取，对于实现从非结构化文本中抽取结构化事实信息十分有效。
-
公开(公告)号：CN111125333B
公开(公告)日：2022-05-27
申请号：CN201911335248.2
申请日：2019-12-23
Applicant: 北京理工大学
IPC: G06F16/332 , G06F16/33 , G06F16/36 , G06F40/126 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于表示学习与多层覆盖机制的生成式知识问答方法，属于人工智能和自然语言处理技术领域。针对知识问答系统的知识库中，事实不能被有效表示导致降低查找正确答案能力，生成式问答任务中模型会陷入某种模式中无法跳出，或在某个模式中重复生成已生成过的词汇，导致答案可读性下降的技术问题，首先建立生成式知识问答模型，使用Seq2Seq框架，结合注意力机制、CopyNet模型、GenQA模型和Coverage覆盖机制，通过编码器解析问题，并通过查询知识库中的信息，使用解码器生成答案。在给定场景下，能够生成完整的一句话，答案包含正确的知识，且生成的答案具有流畅性、一致性和正确性，在经典的知识问答数据集、限定领域和开放领域的问答数据集都取得很好效果。
-
公开(公告)号：CN113076391A
公开(公告)日：2021-07-06
申请号：CN202110453297.7
申请日：2021-04-26
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于多层注意力机制的远程监督关系抽取方法，属于人工智能和自然语言处理技术领域。本方法为了解决现有的远程监督关系抽取方法在噪声环境下抽取效果差、忽略对句子包的噪声处理以及句子中实体重复出现等技术问题，针对句子中实体对重复出现的情况，设计一种相对位置特征注意力，充分利用实体对的位置信息。针对句子包噪声问题，通过计算每个句子包的置信度，根据置信度将具有相同关系的噪声大的句子包和噪声小的句子包组合成包组，使得包组间的噪声相对平衡，提高噪声环境下关系抽取的效果。
-
公开(公告)号：CN111125333A
公开(公告)日：2020-05-08
申请号：CN201911335248.2
申请日：2019-12-23
Applicant: 北京理工大学
IPC: G06F16/332 , G06F16/33 , G06F16/36 , G06F40/126 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于表示学习与多层覆盖机制的生成式知识问答方法，属于人工智能和自然语言处理技术领域。针对知识问答系统的知识库中，事实不能被有效表示导致降低查找正确答案能力，生成式问答任务中模型会陷入某种模式中无法跳出，或在某个模式中重复生成已生成过的词汇，导致答案可读性下降的技术问题，首先建立生成式知识问答模型，使用Seq2Seq框架，结合注意力机制、CopyNet模型、GenQA模型和Coverage覆盖机制，通过编码器解析问题，并通过查询知识库中的信息，使用解码器生成答案。在给定场景下，能够生成完整的一句话，答案包含正确的知识，且生成的答案具有流畅性、一致性和正确性，在经典的知识问答数据集、限定领域和开放领域的问答数据集都取得很好效果。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.018 seconds)
