-
公开(公告)号：CN112199606A
公开(公告)日：2021-01-08
申请号：CN202011186366.4
申请日：2020-10-30
Applicant: 福州大学
IPC: G06F16/9536 , G06F40/289 , G06N3/04
Abstract: 本发明涉及一种基于层次用户表示的面向社交媒体的谣言检测系统，包括数据预处理模块，用于对数据进行预处理，抽取用户静态行为特征，按照时间序列对数据进行分段处理；文本表示学习模块，用于从微博/推特文本内容层面以及时间段层面学习词语序列和时间段序列所蕴含的隐层表达，作为事件的文本表示向量，用户行为特征表示学习模块，用于捕获用户行为特征潜在的变化规律及其隐层信息，作为事件的用户行为特征表示向量；谣言检测标签输出模块，用于融合文本、用户行为特征隐藏向量表示，完成谣言检测的标签预测工作。本发明能够较好地对社交媒体上的谣言事件进行检测，并且在早期谣言检测中具备更加快速和稳定的检测效果。
-
公开(公告)号：CN112199606B
公开(公告)日：2022-06-03
申请号：CN202011186366.4
申请日：2020-10-30
Applicant: 福州大学
IPC: G06F16/9536 , G06F40/289 , G06N3/04
Abstract: 本发明涉及一种基于层次用户表示的面向社交媒体的谣言检测系统，包括数据预处理模块，用于对数据进行预处理，抽取用户静态行为特征，按照时间序列对数据进行分段处理；文本表示学习模块，用于从微博/推特文本内容层面以及时间段层面学习词语序列和时间段序列所蕴含的隐层表达，作为事件的文本表示向量，用户行为特征表示学习模块，用于捕获用户行为特征潜在的变化规律及其隐层信息，作为事件的用户行为特征表示向量；谣言检测标签输出模块，用于融合文本、用户行为特征隐藏向量表示，完成谣言检测的标签预测工作。本发明能够较好地对社交媒体上的谣言事件进行检测，并且在早期谣言检测中具备更加快速和稳定的检测效果。
-
公开(公告)号：CN112183064B
公开(公告)日：2022-06-03
申请号：CN202011138387.9
申请日：2020-10-22
Applicant: 福州大学
IPC: G06F40/211 , G06F40/289 , G06F40/284 , G06F40/30 , G06F40/126 , G06F16/35 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多任务联合学习的文本情绪原因识别系统。包括：数据预处理模块，用于对数据进行预处理；文本编码模块，提取文本内容上下文依赖关系，获取其隐层向量表示，作为文本子句信息的整体表示；相对位置信息嵌入模块，从相对位置表示中学习出相对位置信息，并将其嵌入到文本子句向量中。情绪分类子任务模块，通过引入情绪分类子任务，使模型学习到的相对位置信息表示能帮助情绪识别任务精准的定位目标子句的位置；情绪原因识别标签输出模块，用于分析文本子句之间的上下文关系，完成情绪原因识别的标签预测工作。本发明能够从文本数据中学习高质量的文本向量特点，最终标注出关键情绪词的原因。
-
Patent Agency Ranking
公开(公告)号：CN112183064A
公开(公告)日：2021-01-05
申请号：CN202011138387.9
申请日：2020-10-22
Applicant: 福州大学
IPC: G06F40/211 , G06F40/289 , G06F40/284 , G06F40/30 , G06F40/126 , G06F16/35 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多任务联合学习的文本情绪原因识别系统。包括：数据预处理模块，用于对数据进行预处理；文本编码模块，提取文本内容上下文依赖关系，获取其隐层向量表示，作为文本子句信息的整体表示；相对位置信息嵌入模块，从相对位置表示中学习出相对位置信息，并将其嵌入到文本子句向量中。情绪分类子任务模块，通过引入情绪分类子任务，使模型学习到的相对位置信息表示能帮助情绪识别任务精准的定位目标子句的位置；情绪原因识别标签输出模块，用于分析文本子句之间的上下文关系，完成情绪原因识别的标签预测工作。本发明能够从文本数据中学习高质量的文本向量特点，最终标注出关键情绪词的原因。
-
公开(公告)号：CN110826638A
公开(公告)日：2020-02-21
申请号：CN201911099492.3
申请日：2019-11-12
Applicant: 福州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于重复注意力网络的零样本图像分类模型，包括重复注意力网络模块，用于训练并获取图像区域序列信息；生成对抗网络模块，用于获取视觉误差信息；视觉特征提取网络处理模块，用于得到图像一维视觉特征向量；属性语义转换网络模块，用两层的线性激活层将低维的属性语义向量映射到与视觉特征向量维度相同的高维特征向量；视觉-属性语义衔接网络，实现视觉特征向量与属性语义特征向量的融合；得分分类结果和奖励输出模块，采用交叉熵损失对已见过带标签的类别进行分类，而奖励输出是对未见过的无标签数据进行惩罚，以及惩罚无标签数据中见过的类别和未见过的类别最有可能性的预测结果。本发明能够有效的解决图像类别标签缺失问题。
-
公开(公告)号：CN110941700B
公开(公告)日：2022-08-09
申请号：CN201911161645.2
申请日：2019-11-22
Applicant: 福州大学
IPC: G06F16/33 , G06F40/205 , G06F40/289 , G06F40/30 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多任务联合学习的论辩挖掘系统及其工作方法，包括数据预处理模块，进行数据预处理；文本嵌入模块，由CNN网络从词级别和字符级别提取特征表示，并联合任务特定特征作为下一模块的向量输入；联合学习模块，采用多任务学习中参数的硬共享机制，多个任务共享了一个模型的隐层，并行的进行模型的训练学习，此外使用栈式双向长短时记忆神经网络（LSTM）学习文本的上下文信息，用来完成序列标注任务；论辩挖掘标签预测输出模块，用于完成论辩挖掘论点类型预测工作，输出文本中论点的类型。本发明能够从论辩文本数据中学习高质量的文本特征，最终检测出文本所包含的论点的类型。
-
公开(公告)号：CN110941700A
公开(公告)日：2020-03-31
申请号：CN201911161645.2
申请日：2019-11-22
Applicant: 福州大学
IPC: G06F16/33 , G06F40/205 , G06F40/289 , G06F40/30 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多任务联合学习的论辩挖掘系统及其工作方法，包括数据预处理模块，进行数据预处理；文本嵌入模块，由CNN网络从词级别和字符级别提取特征表示，并联合任务特定特征作为下一模块的向量输入；联合学习模块，采用多任务学习中参数的硬共享机制，多个任务共享了一个模型的隐层，并行的进行模型的训练学习，此外使用栈式双向长短时记忆神经网络（LSTM）学习文本的上下文信息，用来完成序列标注任务；论辩挖掘标签预测输出模块，用于完成论辩挖掘论点类型预测工作，输出文本中论点的类型。本发明能够从论辩文本数据中学习高质量的文本特征，最终检测出文本所包含的论点的类型。
-
公开(公告)号：CN110826638B
公开(公告)日：2023-04-18
申请号：CN201911099492.3
申请日：2019-11-12
Applicant: 福州大学
IPC: G06V10/764 , G06V10/40 , G06V10/77 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06N3/0475 , G06N3/084
Abstract: 本发明涉及一种基于重复注意力网络的零样本图像分类模型，包括重复注意力网络模块，用于训练并获取图像区域序列信息；生成对抗网络模块，用于获取视觉误差信息；视觉特征提取网络处理模块，用于得到图像一维视觉特征向量；属性语义转换网络模块，用两层的线性激活层将低维的属性语义向量映射到与视觉特征向量维度相同的高维特征向量；视觉‑属性语义衔接网络，实现视觉特征向量与属性语义特征向量的融合；得分分类结果和奖励输出模块，采用交叉熵损失对已见过带标签的类别进行分类，而奖励输出是对未见过的无标签数据进行惩罚，以及惩罚无标签数据中见过的类别和未见过的类别最有可能性的预测结果。本发明能够有效的解决图像类别标签缺失问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
