-
公开(公告)号：CN119819358A
公开(公告)日：2025-04-15
申请号：CN202510112947.X
申请日：2025-01-24
Applicant: 潞安化工集团有限公司 , 天津大学
Abstract: 本发明公开了一种双功能催化剂，其金属原子通过N原子锚定在含有酸性位点的分子筛上。本发明还公开了所述双功能催化剂的制备方法及用于催化长链正构烷烃的临氢异构反应中的用途。
-
公开(公告)号：CN112148832B
公开(公告)日：2022-11-29
申请号：CN201910563185.X
申请日：2019-06-26
Applicant: 天津大学
IPC: G06F16/33 , G06F16/335 , G06F16/34
Abstract: 本发明公开一种基于标签感知的双重自注意力网络的事件检测方法,为了学习事件标签的一致性信息，学习了事件标签嵌入(label embedding)并利用了一个注意力函数去度量单词和事件标签的相关性，这主要为了确保相关事件标签的注意力值总是大于非相关的；然后通过注意力值对标签嵌入加权求和得到每个单词的在标签空间中的表示。最后利用了一个双重自注意力机制去同时捕获任意两个单词在单词空间和标签空间上的相互依赖，包括词级自注意力和标签级自注意力，其中词级自注意力捕获了指示事件类型的单词之间的关系线索，标签级自注意力隐式地建模了事件标签之间的相关性。本发明方法同时考虑了标签信息以及相互依赖，从而增强了单词表示的能力。
-
Patent Agency Ranking
公开(公告)号：CN112148832A
公开(公告)日：2020-12-29
申请号：CN201910563185.X
申请日：2019-06-26
Applicant: 天津大学
IPC: G06F16/33 , G06F16/335 , G06F16/34
Abstract: 本发明公开一种基于标签感知的双重自注意力网络的事件检测方法,为了学习事件标签的一致性信息，学习了事件标签嵌入(label embedding)并利用了一个注意力函数去度量单词和事件标签的相关性，这主要为了确保相关事件标签的注意力值总是大于非相关的；然后通过注意力值对标签嵌入加权求和得到每个单词的在标签空间中的表示。最后利用了一个双重自注意力机制去同时捕获任意两个单词在单词空间和标签空间上的相互依赖，包括词级自注意力和标签级自注意力，其中词级自注意力捕获了指示事件类型的单词之间的关系线索，标签级自注意力隐式地建模了事件标签之间的相关性。本发明方法同时考虑了标签信息以及相互依赖，从而增强了单词表示的能力。
-
公开(公告)号：CN109033069B
公开(公告)日：2022-05-17
申请号：CN201810624731.1
申请日：2018-06-16
Applicant: 天津大学
IPC: G06F16/9536 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于社会媒体用户动态行为的微博主题挖掘方法，包括如下步骤：1)构建用户对话网络；2)利用网络表示学习建模动态交互，得到融合了内容和结构且与其邻居结点相关的用户表示；3)引入注意力机制建模用户对主题的影响力，得到交互感知边表示；4)交互感知边表示作为神经变分推理的输入，从而挖掘一致性更佳的主题。该微博主题挖掘方法通过建模动态交互和用户对主题影响力，得到的微博主题相比于现有模型在相关分数值评价指标上取得更好的表现。
-
公开(公告)号：CN112836017A
公开(公告)日：2021-05-25
申请号：CN202110174820.2
申请日：2021-02-09
Applicant: 天津大学
Abstract: 本发明公开一种基于分层主题驱动的自注意力机制的事件检测方法，包括如下步骤：(1)构建主题感知的文档表示向量和单词表示向量；(2)对候选事件提及进行序列编码；(3)建立分层的自注意力模型；(4)预测事件类型；该方法首先利用变分自编码器推断文档的文档‑主题分布和主题‑词分布，计算得到主题感知的文档表示向量和单词表示向量；接着将主题感知的文档表示向量和候选的事件触发词的词嵌入进行拼接，通过Bi‑LSTM进行序列编码，通过文档级自注意力模型得到包含通用全局信息的中间表示，然后将中间表示和主题感知的单词级表示向量拼接，通过Bi‑LSTM和单词级自注意力模型得到单词的最终表示，最后通过全连接层、softmax归一化得到事件检测结果。
-
公开(公告)号：CN112836017B
公开(公告)日：2022-07-26
申请号：CN202110174820.2
申请日：2021-02-09
Applicant: 天津大学
Abstract: 本发明公开一种基于分层主题驱动的自注意力机制的事件检测方法，包括如下步骤：(1)构建主题感知的文档表示向量和单词表示向量；(2)对候选事件提及进行序列编码；(3)建立分层的自注意力模型；(4)预测事件类型；该方法首先利用变分自编码器推断文档的文档‑主题分布和主题‑词分布，计算得到主题感知的文档表示向量和单词表示向量；接着将主题感知的文档表示向量和候选的事件触发词的词嵌入进行拼接，通过Bi‑LSTM进行序列编码，通过文档级自注意力模型得到包含通用全局信息的中间表示，然后将中间表示和主题感知的单词级表示向量拼接，通过Bi‑LSTM和单词级自注意力模型得到单词的最终表示，最后通过全连接层、softmax归一化得到事件检测结果。
-
公开(公告)号：CN109033069A
公开(公告)日：2018-12-18
申请号：CN201810624731.1
申请日：2018-06-16
Applicant: 天津大学
CPC classification number: G06F17/2785 , G06N3/0454 , G06N3/08
Abstract: 本发明公开了一种基于社会媒体用户动态行为的微博主题挖掘方法，包括如下步骤：1)构建用户对话网络；2)利用网络表示学习建模动态交互，得到融合了内容和结构且与其邻居结点相关的用户表示；3)引入注意力机制建模用户对主题的影响力，得到交互感知边表示；4)交互感知边表示作为神经变分推理的输入，从而挖掘一致性更佳的主题。该微博主题挖掘方法通过建模动态交互和用户对主题影响力，得到的微博主题相比于现有模型在相关分数值评价指标上取得更好的表现。
-
-
-
-
-
-
Search Results
7
records
(took 0.042 seconds)
