公开(公告)号：CN118395989A

公开(公告)日：2024-07-26

申请号：CN202410529340.7

申请日：2024-04-29

Applicant: 杭州电子科技大学

Inventor： 周仁杰 ,  占健豪 ,  万健 ,  张纪林 ,  殷昱煜 ,  倪天成 ,  袁耀祖

IPC: G06F40/30 ,  G06N3/042 ,  G06N3/0464 ,  G06F40/242 ,  G06F18/22 ,  G06N3/084 ,  G06F18/241 ,  G06N3/0455 ,  G06N3/045

Abstract: 本发明公开一种基于超图注意力机制的人格检测方法。本发明是收集用户在社交媒体上的帖文文本；接着通过BERT预训练语言模型获取帖文的文本特征向量，从而学习文本的语义特征；进一步获取高阶语义特征向量，采用超图注意力机制获取帖文的高阶语义信息；随后，构建图卷积网络，将文本特征向量和高阶语义特征向量作为节点，通过余弦相似度计算构建节点之间的边，并通过图卷积网络学习得到最终的用户人格表征。本发明通过超图注意力机制获取更为高质量的文本表示，弥补了目前文本表示方法在处理文本中的长距离依赖关系时的性能不足，提高了人格检测的准确性，为提供更加准确的个性化服务提供了技术支持。

公开(公告)号：CN116956940A

公开(公告)日：2023-10-27

申请号：CN202310972327.4

申请日：2023-08-03

Applicant: 杭州电子科技大学

Inventor： 周仁杰 ,  马浩男 ,  姚越 ,  曹俊 ,  袁耀祖 ,  倪天成 ,  万健 ,  张纪林 ,  殷昱煜

IPC: G06F40/30 ,  G06F40/247 ,  G06F40/289 ,  G06F16/35 ,  G06N3/0455 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开一种基于多向式遍历与提示学习的文本事件抽取方法，该方法包括：采集相应的事件文本，标注文本中的实体信息与触发词信息，构造事件数据集，进行预处理，筛除不符合要求的数据，并划分为训练集、验证集和测试集；结合提示学习，按三种样本遍历方式构建提示输入模板，构造基于预训练语言模型的事件论元抽取模型，并结合输入进行训练，最终利用训练好的论元抽取模型实现论元识别与论元分类。本发明将输入信息按照三种遍历方式进行训练与损失计算，弥补了论元之间交互不足的问题，提高了论元识别与分类的准确率，即使在训练样本数极度不足的情景下仍能保持一定的效果。

公开(公告)号：CN119312166A

公开(公告)日：2025-01-14

申请号：CN202411503435.8

申请日：2024-10-25

Applicant: 杭州电子科技大学

Inventor： 周仁杰 ,  倪天成 ,  蔡锋泽 ,  袁耀祖 ,  万健 ,  殷昱煜 ,  张伟

IPC: G06F18/241 ,  G06F18/243 ,  G06F18/213 ,  G06F40/30 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0895 ,  G06Q50/00

Abstract: 本发明公开一种基于有向关系图对比学习的社交机器人检测方法，包括：将每个用户作为一个用户节点，获取每个用户节点的个人属性信息和个人文本信息，将个人属性信息和个人文本信息拼接后转化为特征向量；构建用户有向关系图，先利用有向关系图卷积神经网络学习相邻用户在不同关系下的特征，再基于注意力机制进行关系特征融合；从属性特征和图拓扑结构结合方向信息两个角度构造有向关系图的对比视图，然后进行训练和预测。本发明通过有向关系图注意力机制和有向图对比学习提高了社交网络平台机器人账号识别的准确性，采用有向关系图结合注意力机制能有效利用现实生活中社交网络平台关系的方向信息和用户之间关系的重要性信息。

公开(公告)号：CN118586486A

公开(公告)日：2024-09-03

申请号：CN202410624855.5

申请日：2024-05-20

Applicant: 杭州电子科技大学

Inventor： 周仁杰 ,  袁耀祖 ,  倪天成 ,  曹俊 ,  万健

IPC: G06N5/022 ,  G06N5/025 ,  G06N3/042 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08 ,  G06N3/049

Abstract: 本发明公开一种基于上下文增强时态知识图的事件实体预测方法，包括构建时态知识图和实体静态属性图；学习事件实体特征、事件关系特征；历史事件频次信息传递；根据事件实体特征、事件关系特征、以及历史信息频次预测事件实体。本发明通过引入事件实体的静态属性图作为事件的上下文信息，补充事件实体的特征表示，然后结合关系感知GCN和时间门控单元完成历史知识图的自回归建模，从而解决社交网络舆情事件实体预测过程中上下文信息遗漏的问题，提高预测的准确率；通过引入历史信息传递模块补充历史知识图中实体间关系的频次信息，以全局的事件实体集作为最终预测分析目标，从而解决在历史知识图中进行实体预测出现的不可见实体问题。