-
公开(公告)号：CN113420560A
公开(公告)日：2021-09-21
申请号：CN202110703349.1
申请日：2021-06-24
Applicant: 杭州电子科技大学
IPC: G06F40/295 , G06F16/215 , G06F16/35 , G06F16/36 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于跨度表示的实体抽取方法，首先获取互联网语料库，并将其整理得到 格式的数据集；然后对训练集数据进行预处理，采集训练样本；再构建实体抽取模型；最后通过训练集训练实体抽取模型，使用训练好的实体抽取模型完成预测。本发明方法加强了模型对语义的理解，提升了准确率。将位置信息进行二次添加，防止在训练过程中位置信息丢失，从而无法正确理解语义，导致准确率下降；在span的头尾引入不同的残差连接，进一步增强了文本信息的表示能力，有利于改善抽取效果。
-
公开(公告)号：CN112632421B
公开(公告)日：2022-05-10
申请号：CN202011560863.6
申请日：2020-12-25
Applicant: 杭州电子科技大学
IPC: G06F16/955 , G06F16/957 , G06F40/194 , G06F40/216 , G06F40/289
Abstract: 本发明公开了一种自适应结构化的文档抽取方法。本发明首先从互联网中采集原始网页并存储，然后对采集到的原始网页中的原文进行通用无意义清洗，接下来根据Xpath定位网页中的元素，自动对比抽取出网页中有价值的内容，最后将抽取到的内容按照结构化的格式存储起来；通过改进的抽取规则实现不需要先验知识和人工标注数据，而是通过挖掘网页之间的语义相似性，自动生成适用的抽取模式。本发明抽取规则由目标网站自身特点决定，对不同站点兼容性较强，具有较高的可扩展性。通过同站点下相似数据的关联和对比，自动实现过滤冗余内容。实现了基于网页结构和基于文本特征抽取的有效结合。
-
公开(公告)号：CN113486181A
公开(公告)日：2021-10-08
申请号：CN202110820329.2
申请日：2021-07-20
Applicant: 杭州电子科技大学
IPC: G06F16/35 , G06F40/216 , G06F16/28 , G06N20/20
Abstract: 本发明公开了一种多关系的同步抽取方法。本发明具体实现步骤如下：步骤1：获取互联网语料库，并将其整理得到 格式的数据集；步骤2：对数据进行预处理，主要对所得数据集进行清洗和结构化整理，以便后续作为模型的输入；步骤3：构建关系抽取模型；该模型由主体关系抽取模型和客体抽取模型两部分组成；步骤4：关系抽取模型的训练；通过梯度下降算法，求得损失函数的最小化来训练模型；步骤5：模型预测；对需要预测的文本内容，利用求得的概率的最大值来确定文本包含的关系；使用维特比算法，得到文本的主体标注序列、客体标注序列。本发明将相同主体和关系合并，有助于减少计算次数，提升模型的运行效率并改善表现。
-
公开(公告)号：CN113420548A
公开(公告)日：2021-09-21
申请号：CN202110704680.5
申请日：2021-06-24
Applicant: 杭州电子科技大学
IPC: G06F40/279 , G06F16/35 , G06F40/237 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于知识蒸馏和PU学习的实体抽取采样方法，首先获取互联网语料库，经并将其整理得到 格式的数据集；然后对训练集数据进行预处理，构建教师网络，生成训练集的候选实体集D1；再构建PU学习分类器，生成训练集的候选实体集D2；构建学生网络训练样本集；最后进行学生网络模型训练，使用训练好的学生网络模型进行预测。本发明通过知识蒸馏，将多个模型的知识压缩到单一神经网络的训练采样过程中，并辅以PU学习分类器，保证了知识的准确性。在实体数据漏标严重的情况下，本发明能够有效减少样本集中的噪音数据，降低漏标实体数据对抽取结果的影响，改善抽取效果。
-
Patent Agency Ranking
公开(公告)号：CN113435201A
公开(公告)日：2021-09-24
申请号：CN202110704691.3
申请日：2021-06-24
Applicant: 杭州电子科技大学
IPC: G06F40/295 , G06F16/35 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种Span标注框架下的实体抽取采样方法首先获取互联网语料库，经并将其整理得到 格式的数据集；然后对训练集数据进行预处理，采集训练样本；再构建实体抽取模型，通过训练集对实体抽取模型进行训练；最后进行模型预测。本发明训练样本数量适中、质量高，有助于模型较快收敛，提升模型的训练效率。本发明设置了与训练过程相配适的动态采样策略。在训练初期，通过增加与正例有相似边界的负样本占比，使得模型更好地学习实体边界切分。在训练中后期，增大负样本随机采样的比例，以便模型更好地学习上下文语义。加大了模型学习的难度，以达到锻炼模型的目的，有利于提高模型的鲁棒性。
-
公开(公告)号：CN118429056A
公开(公告)日：2024-08-02
申请号：CN202410573418.5
申请日：2024-05-10
Applicant: 杭州电子科技大学
IPC: G06Q30/0601 , G06F16/9535 , G06Q40/04 , G06F17/10
Abstract: 本发明公开了一种基于优先级的二手车交易匹配方法及系统，该方法首先买家和卖家向二手车交易平台提供交易涉及的信息。其次根据买家和卖家提供的信息，得出每对买家和卖家的属性满意度，平台向买家提供潜在匹配卖家推荐列表。然后每个买家提供买家修改后偏好排序列表；平台收到买家反馈后，计算考虑顾客优先级的调整后匹配满意度。最后根据调整后匹配满意度，建立匹配模型，生成匹配结果。该系统包括买家信息收集模块、卖家信息收集模块、模型建立模块和匹配模块。本发明使得平台得以根据偏好排序和顾客优先级调整匹配满意度，以更快速地实现买卖双方匹配，加速市场交易效率。
-
公开(公告)号：CN103838908B
公开(公告)日：2017-08-25
申请号：CN201310418675.3
申请日：2013-09-14
Applicant: 电子科技大学
IPC: G06F17/50
Abstract: 本发明提供了一种基于AIG和SAT求解器的GSTE模型检测方法，其特征在于包括以下步骤：步骤1，使用ABC工具建立AIG模型；将该AIG转化成FRAIG，同时使用逻辑综合算法化简该FRAIG，减小AIG规模；步骤2，计算每条边上的状态集不动点Ψ*，步骤3：将算得的每条边上的不动点和相应边上的cons做验证，若则报错，并通过反向迁移找到反例；步骤4：判断每条边上的状态集是否到达不动点，若到达不动点，完成本次验证，否则返回步骤2，进行下一轮状态集的计算。
-
公开(公告)号：CN112632421A
公开(公告)日：2021-04-09
申请号：CN202011560863.6
申请日：2020-12-25
Applicant: 杭州电子科技大学
IPC: G06F16/955 , G06F16/957 , G06F40/194 , G06F40/216 , G06F40/289
Abstract: 本发明公开了一种自适应结构化的文档抽取方法。本发明首先从互联网中采集原始网页并存储，然后对采集到的原始网页中的原文进行通用无意义清洗，接下来根据Xpath定位网页中的元素，自动对比抽取出网页中有价值的内容，最后将抽取到的内容按照结构化的格式存储起来；通过改进的抽取规则实现不需要先验知识和人工标注数据，而是通过挖掘网页之间的语义相似性，自动生成适用的抽取模式。本发明抽取规则由目标网站自身特点决定，对不同站点兼容性较强，具有较高的可扩展性。通过同站点下相似数据的关联和对比，自动实现过滤冗余内容。实现了基于网页结构和基于文本特征抽取的有效结合。
-
公开(公告)号：CN103838908A
公开(公告)日：2014-06-04
申请号：CN201310418675.3
申请日：2013-09-14
Applicant: 电子科技大学
IPC: G06F17/50
Abstract: 本发明提供了一种基于AIG和SAT求解器的GSTE模型检测方法，其特征在于包括以下步骤：步骤1，使用ABC工具建立AIG模型；将该AIG转化成FRAIG，同时使用逻辑综合算法化简该FRAIG，减小AIG规模；步骤2，计算每条边上的状态集不动点Ψ*，步骤3：将算得的每条边上的不动点和相应边上的cons做验证，若则报错，并通过反向迁移找到反例；步骤4：判断每条边上的状态集是否到达不动点，若到达不动点，完成本次验证，否则返回步骤2，进行下一轮状态集的计算。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.021 seconds)
