-
公开(公告)号：CN113705815B
公开(公告)日：2024-11-26
申请号：CN202111007994.6
申请日：2021-08-31
Applicant: 大连理工大学 , 北京电子工程总体研究所
Abstract: 一种面向产品指标知识图谱的知识表示学习方法，通过知识表示学习方法将产品和指标表示为低维分布式向量，解决了现有知识图谱表示学习方法仅关注实体‑关系之间的离散型关联而忽略了数值型属性的问题。首先，依托于复杂产品指标图谱的实际业务需求，本发明创新性地提出数值型指标参数的分布式表示方法，设计了产品数值型指标的离散化区间划分策略，采用了基于数值的等量划分和基于频度的等量划分两种划分方法。接着，为更好地学习产品指标图谱的向量表示，针对关系三元组和指标三元组的语义差异，采用了关系三元组‑指标三元组依次学习的联合训练方案，提高了知识图谱链接预测的精确度。
-
公开(公告)号：CN113705815A
公开(公告)日：2021-11-26
申请号：CN202111007994.6
申请日：2021-08-31
Applicant: 大连理工大学 , 北京电子工程总体研究所
IPC: G06N5/02
Abstract: 一种面向产品指标知识图谱的知识表示学习方法，通过知识表示学习方法将产品和指标表示为低维分布式向量，解决了现有知识图谱表示学习方法仅关注实体‑关系之间的离散型关联而忽略了数值型属性的问题。首先，依托于复杂产品指标图谱的实际业务需求，本发明创新性地提出数值型指标参数的分布式表示方法，设计了产品数值型指标的离散化区间划分策略，采用了基于数值的等量划分和基于频度的等量划分两种划分方法。接着，为更好地学习产品指标图谱的向量表示，针对关系三元组和指标三元组的语义差异，采用了关系三元组‑指标三元组依次学习的联合训练方案，提高了知识图谱链接预测的精确度。
-
公开(公告)号：CN114218850A
公开(公告)日：2022-03-22
申请号：CN202111317573.3
申请日：2021-11-09
Applicant: 大连理工大学
Abstract: 本发明属于知识表示技术领域，涉及一种异构多关系图表示学习方法。为了降低参数数量和计算复杂度。本发明将节点和关系在低维度欧式空间中进行向量嵌入，给定头节点和关系，通过双层栈式“旋转‑平移”变换模块，利用关系向量对头节点向量进行空间变换，经过关系自适应的向量聚合运算，计算变换后的头节点向量和尾节点向量的空间距离，该距离作为三元组评分，用于评估三元组的真实性概率。本发明可以应用于各领域异构多关系图的自动补全任务，大大降低了链接预测计算的时间复杂度和空间复杂度，使得基于图表示学习的异构图补全方法更好地应用于实际大规模异构多关系图的业务场景。
-
公开(公告)号：CN113656597A
公开(公告)日：2021-11-16
申请号：CN202110952561.1
申请日：2021-08-19
Applicant: 大连理工大学
Abstract: 一种基于因果干预的知识表示学习模型置信度测量方法。该方法主动干预输入实体的向量维度数值，构造输入实体向量的多个邻域干预向量,从而有效地估计每个预测三元组的置信度。通过将原始实体向量和邻域干预向量分别输入到知识表示学习模型中，得到模型输出的预测结果。进而计算邻域干预向量的预测结果一致性系数，通过评估干预前后预测结果的稳健性来推断预测置信度。在大规模知识图谱构建和维护工程中，该方法可以大幅度降低知识三元组判别工作中的人工成本，有效提高知识图谱补全和更新的精度和效率，使得知识图谱可以保持高质量知识表征，在人工智能、学术分析、社交网络等多个领域具有较高的应用前景。
-
Patent Agency Ranking
公开(公告)号：CN111737497B
公开(公告)日：2021-07-20
申请号：CN202010607265.3
申请日：2020-06-30
Applicant: 大连理工大学
IPC: G06F16/36 , G06F16/35 , G06F40/211 , G06F40/253 , G06F40/30 , G06N5/00 , G06N3/04
Abstract: 本发明提供一种基于多源语义表示融合的弱监督关系抽取方法。首先，采用分布式词向量初始化文本语句的上下文语义特征，运用自然语言处理工具解析出描述文本特性的海量离散化符号特性，并设计关系抽取任务中语句实例与特性间通用的一阶逻辑规则。之后，将逻辑规则与因子图相结合以建立文本特性与语句实例间的联系，并通过联合统计推理从人类感知的角度建模，学习描述文本特性的低维关系语义向量；并使用双向门控循环单元编码语句内容本身的语义信息作为上下文内容语义向量。最后，在神经网络中微调文本特性语义向量，融合两种不同特征源的向量表示得到更具鲁棒性的文本语义特征表示，与实体对嵌入表征一同指导弱监督关系抽取工作。
-
公开(公告)号：CN111737497A
公开(公告)日：2020-10-02
申请号：CN202010607265.3
申请日：2020-06-30
Applicant: 大连理工大学
IPC: G06F16/36 , G06F16/35 , G06F40/211 , G06F40/253 , G06F40/30 , G06N5/00 , G06N3/04
Abstract: 本发明提供一种基于多源语义表示融合的弱监督关系抽取方法。首先，采用分布式词向量初始化文本语句的上下文语义特征，运用自然语言处理工具解析出描述文本特性的海量离散化符号特性，并设计关系抽取任务中语句实例与特性间通用的一阶逻辑规则。之后，将逻辑规则与因子图相结合以建立文本特性与语句实例间的联系，并通过联合统计推理从人类感知的角度建模，学习描述文本特性的低维关系语义向量；并使用双向门控循环单元编码语句内容本身的语义信息作为上下文内容语义向量。最后，在神经网络中微调文本特性语义向量，融合两种不同特征源的向量表示得到更具鲁棒性的文本语义特征表示，与实体对嵌入表征一同指导弱监督关系抽取工作。
-
公开(公告)号：CN102169634A
公开(公告)日：2011-08-31
申请号：CN201110089091.7
申请日：2011-04-01
Applicant: 大连理工大学
Abstract: 一种交通拥塞优先疏散控制方法，属于智能交通领域技术领域。其特征是能够实时通过采集到的交通流数据分析出拥塞车流之间的影响关系，进而计算出拥塞疏散优先级的影响因子，然后利用影响因子使用BP神经网络全面准确的判定拥塞车流疏散优先级，并利用疏散优先级进行信号相序、相位、绿时优化与协调控制。本发明的效果和益处是快速疏散已形成的交通拥塞，克服了已有的信号控制系统缺乏实时分析判定拥塞车流疏散优先级，未充分利用疏散优先级进行信号控制以及不能快速疏散交通拥塞的不足。
-
公开(公告)号：CN114741530A
公开(公告)日：2022-07-12
申请号：CN202210388163.6
申请日：2022-04-14
Applicant: 大连理工大学
Abstract: 本发明属于知识表示技术领域，提供一种基于对比学习的知识图谱嵌入模型训练方法。通过训练输入三元组得分最小化，实现正样本特征对齐；通过对一部分采样三元组进行全负样本训练，实现全局实体向量分布均匀性；通过关系特异性非线性函数，实现难易样本权重分配。该训练框架可以为实体向量参数提供稳定的训练目标，帮助知识图谱嵌入模型专注于困难实例并加快收敛速度。在大规模知识图谱构建和维护工程中，本发明大幅度降低知识图谱嵌入模型的训练成本，有效提高知识图谱表示的更新效率，使得知识图谱可以保持高质量知识表征。
-
公开(公告)号：CN102169634B
公开(公告)日：2013-06-19
申请号：CN201110089091.7
申请日：2011-04-01
Applicant: 大连理工大学
Abstract: 一种交通拥塞优先疏散控制方法，属于智能交通领域技术领域。其特征是能够实时通过采集到的交通流数据分析出拥塞车流之间的影响关系，进而计算出拥塞疏散优先级的影响因子，然后利用影响因子使用BP神经网络全面准确的判定拥塞车流疏散优先级，并利用疏散优先级进行信号相序、相位、绿时优化与协调控制。本发明的效果和益处是快速疏散已形成的交通拥塞，克服了已有的信号控制系统缺乏实时分析判定拥塞车流疏散优先级，未充分利用疏散优先级进行信号控制以及不能快速疏散交通拥塞的不足。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.054 seconds)
