-
公开(公告)号：CN113743118B
公开(公告)日：2024-06-21
申请号：CN202110828204.4
申请日：2021-07-22
Applicant: 武汉工程大学
IPC: G06F40/295 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06Q50/18
Abstract: 本发明公开了一种基于融合关系信息编码的法律文书中的实体关系抽取方法，包括以下步骤：S1、根据预先建立的法律文书中的目标关系表使用联合标记法对训练文本中的主体、客体和非实体进行标注；S2、使用与预训练模型BERT对经过标注的训练文本进行编码，得到原始文本编码；S3、将原始文本编码输入多通道卷积神经网络，获得目标关系表中各个关系类别所对应的关系信息编码；S4、使用权值法对原始文本编码和关系信息编码进行融合，得到融合信息编码；S5、通过神经网络模型LSTM对融合信息编码进行解码，得到最后的实体关系识别结果。
-
公开(公告)号：CN113609857B
公开(公告)日：2023-11-28
申请号：CN202110828255.7
申请日：2021-07-22
Applicant: 武汉工程大学
IPC: G06F40/295 , G06F40/30 , G06F18/2415 , G06N3/048 , G06N3/08 , G06N3/0442
Abstract: 本发明公开了一种基于级联模型和数据增强的法律命名实体识别方法，包括以下步骤：对经过数据增强后的训练数据进行处理，构建带有上下文语义的字符级别的向量表示和带有上下文语义的词语级别的向量表示；S2、将两个向量表示进行融合；S3、使用BiLSTM双向长短记忆神经网络对融合字词特征的向量表示进行处理，提取文本的深层特征；S4、使用两个CRF条件随机场解码，得到实体序列和属性序列并拼接，得到最后的标签表示；S5、将最后的标签表示与验证集进行比较，调整模型参数信息，反复训练，得到最好的模型；S6、输入中文法律文书案列，模型自动进行判断并输出法律文书中的法律实体。
-
Patent Agency Ranking
公开(公告)号：CN113761239A
公开(公告)日：2021-12-07
申请号：CN202111048989.X
申请日：2021-09-08
Applicant: 武汉工程大学
IPC: G06F16/51 , G06F16/535 , G06F16/538 , G06F16/587 , G06F16/29
Abstract: 本发明公开了一种基于海量地理位置信息的索引建立及检索方法，主要是将街景图像库中的所有图像使用相同的方法提取出图像的特征，再将已经提取的特征数据插入到索引库中，插入完成后，索引库可在查询过程中使用。检索方法依照索引库的数据结构来进行检索，得到r条检索结果，再对检索结果进行推荐计算，使得检索结果按照地理位置信息重排序，使得检索结果更加符合用户的期望。
-
公开(公告)号：CN113743118A
公开(公告)日：2021-12-03
申请号：CN202110828204.4
申请日：2021-07-22
Applicant: 武汉工程大学
IPC: G06F40/295 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q50/18
Abstract: 本发明公开了一种基于融合关系信息编码的法律文书中的实体关系抽取方法，包括以下步骤：S1、根据预先建立的法律文书中的目标关系表使用联合标记法对训练文本中的主体、客体和非实体进行标注；S2、使用与预训练模型BERT对经过标注的训练文本进行编码，得到原始文本编码；S3、将原始文本编码输入多通道卷积神经网络，获得目标关系表中各个关系类别所对应的关系信息编码；S4、使用权值法对原始文本编码和关系信息编码进行融合，得到融合信息编码；S5、通过神经网络模型LSTM对融合信息编码进行解码，得到最后的实体关系识别结果。
-
公开(公告)号：CN113688702B
公开(公告)日：2024-04-26
申请号：CN202110921847.3
申请日：2021-08-12
Applicant: 武汉工程大学
IPC: G06V20/00 , G06V10/77 , G06V10/764 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于融合多特征的街景图像处理方法，包括以下步骤：待处理的街景图像经过卷积神经网络后得到C个特征信息图；将C个特征信息图均复制l份，并分别划分为大小不一的区域，然后将分好区域的图均输入三个池化层，对每幅图均进行平均池化计算、最大池化计算与广义平均池化计算；将经池化计算后的各个区域中的相同尺度向量归为一列，并将所有尺度向量进行串联，得到一个l*C维的多维特征向量；将三种池化层得到的多维特征向量进行拼接，得到最终的全局特征，并输入到全连接层进行降维。本发明能够有效提取图像特征，降低训练的复杂性，提高检索的精确率。
-
公开(公告)号：CN113688702A
公开(公告)日：2021-11-23
申请号：CN202110921847.3
申请日：2021-08-12
Applicant: 武汉工程大学
Abstract: 本发明公开了一种基于融合多特征的街景图像处理方法，包括以下步骤：待处理的街景图像经过卷积神经网络后得到C个特征信息图；将C个特征信息图均复制l份，并分别划分为大小不一的区域，然后将分好区域的图均输入三个池化层，对每幅图均进行平均池化计算、最大池化计算与广义平均池化计算；将经池化计算后的各个区域中的相同尺度向量归为一列，并将所有尺度向量进行串联，得到一个l*C维的多维特征向量；将三种池化层得到的多维特征向量进行拼接，得到最终的全局特征，并输入到全连接层进行降维。本发明能够有效提取图像特征，降低训练的复杂性，提高检索的精确率。
-
公开(公告)号：CN113609857A
公开(公告)日：2021-11-05
申请号：CN202110828255.7
申请日：2021-07-22
Applicant: 武汉工程大学
IPC: G06F40/295 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于级联模型和数据增强的法律命名实体识别方法，包括以下步骤：对经过数据增强后的训练数据进行处理，构建带有上下文语义的字符级别的向量表示和带有上下文语义的词语级别的向量表示；S2、将两个向量表示进行融合；S3、使用BiLSTM双向长短记忆神经网络对融合字词特征的向量表示进行处理，提取文本的深层特征；S4、使用两个CRF条件随机场解码，得到实体序列和属性序列并拼接，得到最后的标签表示；S5、将最后的标签表示与验证集进行比较，调整模型参数信息，反复训练，得到最好的模型；S6、输入中文法律文书案列，模型自动进行判断并输出法律文书中的法律实体。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
