-
Patent Agency Ranking
公开(公告)号：CN111930930B
公开(公告)日：2022-09-23
申请号：CN202010663601.6
申请日：2020-07-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于商品方面对齐的抽象式评论摘要生成方法，包括：(1)获取商品评论数据，对商品下的评论进行划分，筛选出低质量评论和高质量评论，并用方面对齐的方式将筛选出的评论构建成多评论摘要数据集；(2)建立一个序列模型，所述的序列模型包含基于循环神经网络的编码器、解码器和注意力机制；同时加入基于方面的注意力机制；(3)利用多评论摘要数据集对序列模型进行训练，直到模型收敛；(4)使用训练好的模型进行评论摘要生成任务，输入商品的评论后，自动生成摘要。利用本发明，能够高效地构造(评论集，摘要)对用于神经网络模型训练，大大地降低了人工标注的成本；训练出来的模型够生成高质量的多评论摘要。
-
公开(公告)号：CN108804611A
公开(公告)日：2018-11-13
申请号：CN201810538126.2
申请日：2018-05-30
Applicant: 浙江大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于自我评论序列学习的对话回复生成方法及系统，其中，对话回复生成方法包括以下步骤：(1)对当前对话的上下文语境进行建模，获得上下文语义向量；(2)根据上下文语义向量，建立基于自我评论序列学习的对话模型；(3)对对话模型进行训练和测试，分别得到训练奖励值和测试奖励值；(4)计算两个奖励值之间的差，通过计算策略梯度，优化对话模型；(5)对话模型训练完毕，输出对话回复。利用本发明，可以使得对话生成模型在训练过程中，能够朝着优化评判指标的方向生成更加有实质意义的回复，大幅度降低生成对话的不稳定性。
-
公开(公告)号：CN108804611B
公开(公告)日：2021-11-19
申请号：CN201810538126.2
申请日：2018-05-30
Applicant: 浙江大学
IPC: G06F16/332
Abstract: 本发明公开了一种基于自我评论序列学习的对话回复生成方法及系统，其中，对话回复生成方法包括以下步骤：(1)对当前对话的上下文语境进行建模，获得上下文语义向量；(2)根据上下文语义向量，建立基于自我评论序列学习的对话模型；(3)对对话模型进行训练和测试，分别得到训练奖励值和测试奖励值；(4)计算两个奖励值之间的差，通过计算策略梯度，优化对话模型；(5)对话模型训练完毕，输出对话回复。利用本发明，可以使得对话生成模型在训练过程中，能够朝着优化评判指标的方向生成更加有实质意义的回复，大幅度降低生成对话的不稳定性。
-
公开(公告)号：CN111930930A
公开(公告)日：2020-11-13
申请号：CN202010663601.6
申请日：2020-07-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于商品方面对齐的抽象式评论摘要生成方法，包括：(1)获取商品评论数据，对商品下的评论进行划分，筛选出低质量评论和高质量评论，并用方面对齐的方式将筛选出的评论构建成多评论摘要数据集；(2)建立一个序列模型，所述的序列模型包含基于循环神经网络的编码器、解码器和注意力机制；同时加入基于方面的注意力机制；(3)利用多评论摘要数据集对序列模型进行训练，直到模型收敛；(4)使用训练好的模型进行评论摘要生成任务，输入商品的评论后，自动生成摘要。利用本发明，能够高效地构造(评论集，摘要)对用于神经网络模型训练，大大地降低了人工标注的成本；训练出来的模型够生成高质量的多评论摘要。
-
公开(公告)号：CN108829662A
公开(公告)日：2018-11-16
申请号：CN201810443182.8
申请日：2018-05-10
Applicant: 浙江大学
Abstract: 本发明公开了一种基于条件随机场结构化注意力网络的对话行为识别方法及系统，其中识别方法包括以下步骤：(1)结合记忆网络，将对话语义信息按照单词层、句子层、对话层进行分层推理，语义建模；(2)应用结构化注意力网络，根据对话内容之间的相关性，对对话内容进行结构小节划分；(3)将得到的结构化信息应用于线性条件随机场算法上，根据上下文语境预测当前对话行为。通过本发明，可以深度捕捉对话交互过程中的上下文信息，并能够做到动态划分对话内容的片段，通过将结构化注意力网络与条件随机场算法相结合，可以进一步提高对话行为识别准确度。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
