-
公开(公告)号：CN114676258B
公开(公告)日：2024-05-31
申请号：CN202210354283.4
申请日：2022-04-06
Applicant: 北京航空航天大学
IPC: G06F16/35 , G06F16/36 , G06F40/242 , G06F40/295 , G06N3/0442 , G06N3/045 , G06N3/084 , G16H50/70
Abstract: 本发明提出一种基于症状描述文本的非诊断为目的的疾病分类服务方法，属于人工智能领域，具体为：首先，从现有数据中根据用户症状的描述语句提取实体，并标注类型，作为样本存储到图形数据库；然后，通过生成器，生成各样本同类型的新样本并标注，针对每个新样本，利用检查器判断出可用样本加入已标注数据集；接着依次构建实体识别微服务，输入实际用户的症状描述文本，输出实体的识别结果；构建疾病查询微服务，在图形数据库中查询与实体的识别结果相关的疾病并排序，作为候选疾病结果输出；最后，构建用户交互微服务，将实体识别结果，候选疾病结果以及历史健康数据一起打包返给用户；本发明降低了运维成本，方便后续更新和完善数据。
-
公开(公告)号：CN112487172A
公开(公告)日：2021-03-12
申请号：CN202011491346.8
申请日：2020-12-16
Applicant: 北京航空航天大学
IPC: G06F16/332 , G06F16/335 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种面向深度答案推荐模型的主动学习方法，涉及人工智能领域，具体为：首先，针对某个线上社区问答平台，将每个问题和对应的若干候选答案分别作为一个样本；利用通常采用的深度答案推荐模型通过dropout构建贝叶斯神经网络，包括在每层权重前设置dropout机制；然后，利用贝叶斯神经网络计算每个样本的近似期望损失；并将期望损失按从大到小排序，并选取前K个作为待标注数据样本；接着，将前K个样本中的每个样本分别分给三个用户，进行最优答案的人工标注，并将标注结果进行融合；训练当前线上社区问答平台的深度答案推荐模型；直至深度答案推荐模型达到收敛且最优性能。本发明有效减少了基于深度学习的答案推荐模型训练所需要的标注数据量。
-
公开(公告)号：CN112487172B
公开(公告)日：2023-07-18
申请号：CN202011491346.8
申请日：2020-12-16
Applicant: 北京航空航天大学
IPC: G06F16/332 , G06F16/335 , G06N3/0464 , G06N3/08 , G06F18/214
Abstract: 本发明公开了一种面向深度答案推荐模型的主动学习方法，涉及人工智能领域，具体为：首先，针对某个线上社区问答平台，将每个问题和对应的若干候选答案分别作为一个样本；利用通常采用的深度答案推荐模型通过dropout构建贝叶斯神经网络，包括在每层权重前设置dropout机制；然后，利用贝叶斯神经网络计算每个样本的近似期望损失；并将期望损失按从大到小排序，并选取前K个作为待标注数据样本；接着，将前K个样本中的每个样本分别分给三个用户，进行最优答案的人工标注，并将标注结果进行融合；训练当前线上社区问答平台的深度答案推荐模型；直至深度答案推荐模型达到收敛且最优性能。本发明有效减少了基于深度学习的答案推荐模型训练所需要的标注数据量。
-
公开(公告)号：CN114676258A
公开(公告)日：2022-06-28
申请号：CN202210354283.4
申请日：2022-04-06
Applicant: 北京航空航天大学
IPC: G06F16/35 , G06F16/36 , G06F40/242 , G06F40/295 , G06N3/04 , G06N3/08 , G16H50/70
Abstract: 本发明提出一种基于患者症状描述文本的疾病分类智能服务方法，属于人工智能领域，具体为：首先，从现有数据中根据患者症状的描述语句提取实体，并标注类型，作为样本存储到图形数据库；然后，通过生成器，生成各样本同类型的新样本并标注，针对每个新样本，利用检查器判断出可用样本加入已标注数据集；接着依次构建实体识别微服务，输入实际患者的症状描述文本，输出实体的识别结果；构建疾病查询微服务，在图形数据库中查询与实体的识别结果相关的疾病并排序，作为候选疾病结果输出；最后，构建用户交互微服务，将实体识别结果，候选疾病结果以及历史健康数据一起打包返给患者；本发明降低了运维成本，方便后续更新和完善数据。
-
-
-
Search Results
4
records
(took 0.024 seconds)
