-
公开(公告)号：CN115994539B
公开(公告)日：2024-05-10
申请号：CN202310129891.X
申请日：2023-02-17
Applicant: 成都信息工程大学
IPC: G06F40/295 , G06F40/30 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明提供了一种基于卷积门控和实体边界预测的实体抽取方法及系统，属于信息提取技术领域，方法由基于卷积门控和实体边界预测的实体抽取系统执行，方法包括如下步骤：S1.获取每个字的语义信息和句法特征，并生成词向量矩阵；S2.基于词向量矩阵，提取全局语义信息特征；S3.基于全局语义信息特征，提取关键字特征；S4.基于词向量矩阵，获取包含全局语义信息以及头尾实体信息的矩阵；步骤S5.将关键字特征和矩阵进行拼接后提取全局最优标签序列，完成实体抽取。本发明通过卷积门控提取关键字特征，可以提高实体识别效果；通过实体边界预测获取包含全局语义信息以及头尾实体信息的矩阵，可以有效提高实体识别准确率。
-
-
Patent Agency Ranking
公开(公告)号：CN116860959A
公开(公告)日：2023-10-10
申请号：CN202310699985.0
申请日：2023-06-13
Applicant: 成都信息工程大学
IPC: G06F16/34 , G06N3/0455
Abstract: 本发明属于文本摘要提取技术领域，公开了一种结合局部主题和层次结构信息的抽取式摘要方法及系统，首先给定原文档，通过编码器得到文档的上下文表示，将其输入局部主题信息提取模块提取该句子所属片段的主题信息，将局部主题信息表示和文档的上下文表示相融合，得到融合局部主题信息的文本上下文表示；文本层次结构信息嵌入模块将文本的层次结构信息嵌入到融合局部主题信息的文本上下文表示中；通过Sigmoid层算出每个句子的置信度分数以判断该句是否属于摘要句。本发明更关注文本重要部分，提升生成摘要质量；通过修改Longformer的TokenPositionEmbeddings，使得其能够处理更长的文本数据。
-
公开(公告)号：CN115858791B
公开(公告)日：2023-09-15
申请号：CN202310129895.8
申请日：2023-02-17
Applicant: 成都信息工程大学
IPC: G06F16/35 , G06F40/205 , G06F18/25 , G06F18/241 , G06N3/0464
Abstract: 本发明涉及自然语言处理技术领域，公开了短文本分类方法、装置、电子设备和存储介质，对金融领域待处理短文本进行编码，将得到的编码信息分别输入到DSACNN模型和BiGRU模型中，通过DSACNN模型提取待处理文本的词依赖特征信息和文本依赖特征信息，通过BiGRU模型提取待处理文本的深层次特征信息，将两个模型输出的特征信息进行合并，输入分类器中对待处理文本进行分类；DSACNN模型通过减少卷积层，且增加自注意力机制算法，采用BiGRU模型作为辅助算法，减少了模型训练时间，提高了金融领域短文本分类效果，解决了上下文的长期依赖不够充分以及注意力集中点分散问题。
-
公开(公告)号：CN115994539A
公开(公告)日：2023-04-21
申请号：CN202310129891.X
申请日：2023-02-17
Applicant: 成都信息工程大学
IPC: G06F40/295 , G06F40/30 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明提供了一种基于卷积门控和实体边界预测的实体抽取方法及系统，属于信息提取技术领域，方法由基于卷积门控和实体边界预测的实体抽取系统执行，方法包括如下步骤：S1.获取每个字的语义信息和句法特征，并生成词向量矩阵；S2.基于词向量矩阵，提取全局语义信息特征；S3.基于全局语义信息特征，提取关键字特征；S4.基于词向量矩阵，获取包含全局语义信息以及头尾实体信息的矩阵；步骤S5.将关键字特征和矩阵进行拼接后提取全局最优标签序列，完成实体抽取。本发明通过卷积门控提取关键字特征，可以提高实体识别效果；通过实体边界预测获取包含全局语义信息以及头尾实体信息的矩阵，可以有效提高实体识别准确率。
-
公开(公告)号：CN115908205A
公开(公告)日：2023-04-04
申请号：CN202310141997.1
申请日：2023-02-21
Applicant: 成都信息工程大学
IPC: G06T5/00 , G06T3/40 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明涉及图像处理技术领域，公开了图像修复方法、装置、电子设备和存储介质，利用局部卷积将第一待修复图像下采样到预设的分辨率大小，得到第二待修复图像，将第二待修复图像输入全局结构先验重建网络模型进行全局结构先验，输出粗略修复图像，将粗略修复图像输入纹理细节补充网络模型进行纹理细节补充，输出精细修复图像。基于Transformer网络和卷积神经网络联合优化，对图像进行修复，可得到与原图像近乎等同的高分辨率图像；解决了现有技术中图像重要信息和全局上下文细节丢失的技术问题。
-
公开(公告)号：CN115858791A
公开(公告)日：2023-03-28
申请号：CN202310129895.8
申请日：2023-02-17
Applicant: 成都信息工程大学
IPC: G06F16/35 , G06F40/205 , G06F18/25 , G06F18/241 , G06N3/0464
Abstract: 本发明涉及自然语言处理技术领域，公开了短文本分类方法、装置、电子设备和存储介质，对金融领域待处理短文本进行编码，将得到的编码信息分别输入到DSACNN模型和BiGRU模型中，通过DSACNN模型提取待处理文本的词依赖特征信息和文本依赖特征信息，通过BiGRU模型提取待处理文本的深层次特征信息，将两个模型输出的特征信息进行合并，输入分类器中对待处理文本进行分类；DSACNN模型通过减少卷积层，且增加自注意力机制算法，采用BiGRU模型作为辅助算法，减少了模型训练时间，提高了金融领域短文本分类效果，解决了上下文的长期依赖不够充分以及注意力集中点分散问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.03 seconds)
