-
公开(公告)号：CN109299291B
公开(公告)日：2022-04-29
申请号：CN201811140397.9
申请日：2018-09-28
Applicant: 武汉大学
IPC: G06F16/951 , G06F16/383 , G06F40/205 , G06F40/242 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于卷积神经网络的问答社区标签推荐方法，具体是涉及对问答社区中的问题数据集先进行数据预处理，再通过词嵌入建立矩阵，利用Mikilovo方法将训练集的矩阵变成三维矩阵，然后用卷积神经网络模型对三维矩阵进行训练，最后利用训练完成的模型对问答社区中的新问题进行标签推荐，是一种基于卷积神经网络的问答社区标签推荐方法。具有如下突出特点和优点：第一，引入卷积层，能对特征进行准确提取，可以进行更精准的匹配；第二，卷积神经网络处理大型图片的能力使得其可以处理较大的数据集；第三，卷积神经网络在图片处理中的迁移性，使得其用在标签推荐中也能有很好的迁移性。
-
公开(公告)号：CN109446414B
公开(公告)日：2021-08-17
申请号：CN201811140771.5
申请日：2018-09-28
Applicant: 武汉大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明涉及一种基于神经网络分类的软件信息站点快速标签推荐方法，具体是涉及对软件信息站点中的问题数据集先进行数据预处理，再通过建立词典生成句向量。在输入层中，提取句向量中用于表示软件元素的文本描述的n个n元特征。在隐藏层中，这些n元特征被转换为另一种表示方法并被平均以形成隐藏变量。最后，我们使用softmax函数来计算现有标签上的概率分布是一种基于神经网络分类的软件信息站点快速标签推荐方法，具有如下突出特点和优点：第一、构建一个基于单隐层神经网络的合适的框架；第二、利用文本等级约束来实现准确性和效率；第三、利用特征间的共享参数，避免大标签输出空间的局限性。
-
公开(公告)号：CN109614480A
公开(公告)日：2019-04-12
申请号：CN201811417886.4
申请日：2018-11-26
Applicant: 武汉大学
IPC: G06F16/34 , G06F16/332 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于生成式对抗网络的自动摘要的生成方法及装置，其中的方法首先从问答社区上获取问题数据，并用脚本对数据进行清洗，划分训练集和测试集，建立词典并利用词典生成训练集句向量；再用生成式对抗网络模型对训练集中的句向量进行训练以得到合适的模型参数；最后利用训练得到的模型对测试集进行相似问题答案的自动摘要生成。实现了无监督的学习方式获取数据集以及提高自动摘要的生成效果的技术效果。
-
公开(公告)号：CN109086463A
公开(公告)日：2018-12-25
申请号：CN201811139465.X
申请日：2018-09-28
Applicant: 武汉大学
Abstract: 本发明涉及一种基于区域卷积神经网络的问答社区标签推荐方法，具体是涉及对问答社区中的问题数据集先进行数据预处理，再通过建立词典生成句向量，在卷积层中，对数据集中的每个问题中的每个单词都进行词嵌入处理，然后用区域卷积神经网络模型对句向量进行训练，最后利用训练完成的模型对问答社区中的新问题进行标签推荐。具有如下突出特点和优点：第一，引入双向循环卷积层，结合单词的上下文对单词进行表示，可以更好的反应句子中单词之间的联系，双向循环结构可以准确抓取单词的上下文；第二，卷积神经网络处理大型图片的能力使得其可以处理较大的数据集；第三，卷积神经网络在图片处理中的迁移性，使得其用在标签推荐中也能有很好的迁移性。
-
公开(公告)号：CN109086463B
公开(公告)日：2022-04-29
申请号：CN201811139465.X
申请日：2018-09-28
Applicant: 武汉大学
IPC: G06F16/35 , G06F16/9535 , G06N3/04
Abstract: 本发明涉及一种基于区域卷积神经网络的问答社区标签推荐方法，具体是涉及对问答社区中的问题数据集先进行数据预处理，再通过建立词典生成句向量，在卷积层中，对数据集中的每个问题中的每个单词都进行词嵌入处理，然后用区域卷积神经网络模型对句向量进行训练，最后利用训练完成的模型对问答社区中的新问题进行标签推荐。具有如下突出特点和优点：第一，引入双向循环卷积层，结合单词的上下文对单词进行表示，可以更好的反应句子中单词之间的联系，双向循环结构可以准确抓取单词的上下文；第二，卷积神经网络处理大型图片的能力使得其可以处理较大的数据集；第三，卷积神经网络在图片处理中的迁移性，使得其用在标签推荐中也能有很好的迁移性。
-
Patent Agency Ranking
公开(公告)号：CN109614480B
公开(公告)日：2020-10-30
申请号：CN201811417886.4
申请日：2018-11-26
Applicant: 武汉大学
IPC: G06F16/34 , G06F16/332 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于生成式对抗网络的自动摘要的生成方法及装置，其中的方法首先从问答社区上获取问题数据，并用脚本对数据进行清洗，划分训练集和测试集，建立词典并利用词典生成训练集句向量；再用生成式对抗网络模型对训练集中的句向量进行训练以得到合适的模型参数；最后利用训练得到的模型对测试集进行相似问题答案的自动摘要生成。实现了无监督的学习方式获取数据集以及提高自动摘要的生成效果的技术效果。
-
公开(公告)号：CN109785409A
公开(公告)日：2019-05-21
申请号：CN201811644583.6
申请日：2018-12-29
Applicant: 武汉大学
Abstract: 本发明公开了一种基于注意力机制的图像-文本数据融合方法和系统，该方法首先构建基于注意力机制的图像-文本数据融合网络，并基于特定任务构建完整的训练网络，再利用训练集进行训练，然后将待融合的图像和文本数据输入训练好的数据融合网络中，实现两者的数据融合。具有如下突出的特点和优点：第一，引入位置编码代替循环神经网络对文本上下文进行建模，数据融合网络的可并行化程度更高，训练模型的训练速率更快；第二，通过图像和文本在语义层次上的融合，使得融合后的数据质量更高，可用性更强；第三，该方法可以通过多种任务训练数据融合网络，鲁棒性更强。
-
公开(公告)号：CN109299291A
公开(公告)日：2019-02-01
申请号：CN201811140397.9
申请日：2018-09-28
Applicant: 武汉大学
IPC: G06F16/383 , G06F17/27
Abstract: 本发明涉及一种基于卷积神经网络的问答社区标签推荐方法，具体是涉及对问答社区中的问题数据集先进行数据预处理，再通过词嵌入建立矩阵，利用Mikilovo方法将训练集的矩阵变成三维矩阵，然后用卷积神经网络模型对三维矩阵进行训练，最后利用训练完成的模型对问答社区中的新问题进行标签推荐，是一种基于卷积神经网络的问答社区标签推荐方法。具有如下突出特点和优点：第一，引入卷积层，能对特征进行准确提取，可以进行更精准的匹配；第二，卷积神经网络处理大型图片的能力使得其可以处理较大的数据集；第三，卷积神经网络在图片处理中的迁移性，使得其用在标签推荐中也能有很好的迁移性。
-
公开(公告)号：CN109785409B
公开(公告)日：2020-09-08
申请号：CN201811644583.6
申请日：2018-12-29
Applicant: 武汉大学
Abstract: 本发明公开了一种基于注意力机制的图像‑文本数据融合方法和系统，该方法首先构建基于注意力机制的图像‑文本数据融合网络，并基于特定任务构建完整的训练网络，再利用训练集进行训练，然后将待融合的图像和文本数据输入训练好的数据融合网络中，实现两者的数据融合。具有如下突出的特点和优点：第一，引入位置编码代替循环神经网络对文本上下文进行建模，数据融合网络的可并行化程度更高，训练模型的训练速率更快；第二，通过图像和文本在语义层次上的融合，使得融合后的数据质量更高，可用性更强；第三，该方法可以通过多种任务训练数据融合网络，鲁棒性更强。
-
公开(公告)号：CN109446414A
公开(公告)日：2019-03-08
申请号：CN201811140771.5
申请日：2018-09-28
Applicant: 武汉大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明涉及一种基于神经网络分类的软件信息站点快速标签推荐方法，具体是涉及对软件信息站点中的问题数据集先进行数据预处理，再通过建立词典生成句向量。在输入层中，提取句向量中用于表示软件元素的文本描述的n个n元特征。在隐藏层中，这些n元特征被转换为另一种表示方法并被平均以形成隐藏变量。最后，我们使用softmax函数来计算现有标签上的概率分布是一种基于神经网络分类的软件信息站点快速标签推荐方法，具有如下突出特点和优点：第一、构建一个基于单隐层神经网络的合适的框架；第二、利用文本等级约束来实现准确性和效率；第三、利用特征间的共享参数，避免大标签输出空间的局限性。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.016 seconds)
