-
Patent Agency Ranking
公开(公告)号：CN110245204A
公开(公告)日：2019-09-17
申请号：CN201910508049.0
申请日：2019-06-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于定位及知识图谱的智能推荐方法，该方法利用百度地图定位技术来获取用户所处位置（如服装店、餐饮店）。筛选并提取出位置名称文本作为实体输入，通过word2vec词向量训练将实体训练成词向量，采用余弦相似度算法计算该实体节点的词向量与各个不同类型的知识图谱之间的相似度，并按相似度值排名（由高到低）对用户进行推荐，解决了传统推荐算法实体属性有限、难以有效的得到更多数据的问题。本方法有丰富的辅助信息来源，真实客观，提升了精准性、多样性和可解释性，充分满足了用户个性化推荐的需求。
-
公开(公告)号：CN109063159A
公开(公告)日：2018-12-21
申请号：CN201810914450.X
申请日：2018-08-13
Applicant: 桂林电子科技大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于神经网络的实体关系抽取方法，采用机器学习方面的算法并且结合神经网络模型，将一段中文语句输入到程序模型，模型会给其中的实体单词或者语句打上特别的标签，即可以将文本中的实体提取出来，再通过一个分类算法为提取出来得到实体做关系分类，完成实体关系分类。具体是将中文文本中出现的每一个字都分配一个ID，然后把这组句子所对应的ID转换成神经网络模型的输入向量，经过bilstm以及CRF层得到的结果映射到相应的实体标签，完成实体抽取,最后将从文本中的实体使用机器学习分类的算法进行分类，最后得实体‑‑关系‑‑实体这样的三元组形式。该方法仅需要训练文本以及输入语句就可以完成关系实体抽取，是一种灵活方便的方法。
-
公开(公告)号：CN109635279B
公开(公告)日：2022-07-26
申请号：CN201811396784.9
申请日：2018-11-22
Applicant: 桂林电子科技大学
IPC: G06F40/295 , G06N3/04
Abstract: 本发明公开了一种基于神经网络的中文命名实体识别方法，采用机器学习方面的算法并且结合神经网络模型，对文本进行分析和命名实体识别。将中文文本中出现的每一个字都构建特征向量，其特征包括位置特征和字符特征。然后把这组句子所对应的特征向量作为神经网络模型的输入，经过Bi‑LSTM以及CRF层后将结果映射到相应的实体标签，完成实体识别任务。该方法仅需要训练文本以及输入语句就可以完成实体识别，是一种灵活方便的方法。
-
公开(公告)号：CN109063159B
公开(公告)日：2021-04-23
申请号：CN201810914450.X
申请日：2018-08-13
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于神经网络的实体关系抽取方法，采用机器学习方面的算法并且结合神经网络模型，将一段中文语句输入到程序模型，模型会给其中的实体单词或者语句打上特别的标签，即可以将文本中的实体提取出来，再通过一个分类算法为提取出来得到实体做关系分类，完成实体关系分类。具体是将中文文本中出现的每一个字都分配一个ID，然后把这组句子所对应的ID转换成神经网络模型的输入向量，经过bilstm以及CRF层得到的结果映射到相应的实体标签，完成实体抽取,最后将从文本中的实体使用机器学习分类的算法进行分类，最后得实体‑‑关系‑‑实体这样的三元组形式。该方法仅需要训练文本以及输入语句就可以完成关系实体抽取，是一种灵活方便的方法。
-
公开(公告)号：CN109635279A
公开(公告)日：2019-04-16
申请号：CN201811396784.9
申请日：2018-11-22
Applicant: 桂林电子科技大学
CPC classification number: G06F17/278 , G06N3/0454
Abstract: 本发明公开了一种基于神经网络的中文命名实体识别方法，采用机器学习方面的算法并且结合神经网络模型，对文本进行分析和命名实体识别。将中文文本中出现的每一个字都构建特征向量，其特征包括位置特征和字符特征。然后把这组句子所对应的特征向量作为神经网络模型的输入，经过Bi‑LSTM以及CRF层后将结果映射到相应的实体标签，完成实体识别任务。该方法仅需要训练文本以及输入语句就可以完成实体识别，是一种灵活方便的方法。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
