-
公开(公告)号：CN113269228B
公开(公告)日：2022-06-10
申请号：CN202110421442.3
申请日：2021-04-20
Applicant: 重庆邮电大学 , 南方电网科学研究院有限责任公司
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明属于图数据安全领域，具体涉及一种图网络分类模型的训练方法、装置、系统及电子设备；所述方法包括采集图数据集，并将所述图数据集划分为有标签节点和无标签节点；将有标签节点的图数据输入到分类模型进行训练；使用训练完成后的分类模型对无标签节点的图数据分类；随机从有标签节点和无标签节点中选择出对抗节点，计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型；本发明用训练好的分类模型对无标签节点的标签进行预测，这样有利于解决连通性问题以及半监督学习中的低标签率问题。本发明能够有效地提高节点分类模型的鲁棒性。
-
公开(公告)号：CN115905493A
公开(公告)日：2023-04-04
申请号：CN202211619825.2
申请日：2022-12-15
Applicant: 重庆邮电大学
IPC: G06F16/332 , G06F16/33 , G06F16/31 , G06N5/025 , G06N5/04 , G06N3/0442 , G06N3/045 , G06N3/042
Abstract: 本发明属于知识图谱智能问答领域，具体涉及一种基于共享编码和协同注意力的知识图谱问答方法，包括：构建知识图谱；获取待问答的问句，根据问句从知识图谱中获取候选主题词集合和候选主题词实体的图谱信息；将问句、候选主题词集合和候选主题词实体的图谱信息输入到训练好的实体链接E‑GCNR模型中，得到候选主题词实体；根据候选主题词实体从知识图谱中获取候选答案集合和候选答案实体的图谱信息；将问句、候选答案集合和候选答案实体的图谱信息输入到训练好的答案推理CA‑BiLSTM模型中，得到问句的答案；本发明提出的共享编码方式和协同注意力机制可用于实体链接和答案推理两项任务中，具有广泛的适用性。
-
公开(公告)号：CN114385831B
公开(公告)日：2024-06-18
申请号：CN202210044332.4
申请日：2022-01-14
Applicant: 重庆邮电大学
Abstract: 本发明属于知识图谱补全领域，具体涉及一种基于特征提取的知识图谱关系预测方法；该方法包括：获取原始数据；根据原始数据构建初始知识图谱和待预测三元组；采用训练好的邻居编码器对待预测三元组进行处理，得到关系正确的三元组；根据关系正确的三元组补全初始知识图谱，得到完整的知识图谱；本发明结合特征提取与相似度计算机制，解决了传统知识图谱关系预测方法需要大量数据支撑的问题，采用少样本数据可较准确的对知识图谱进行关系预测，可获得更加准确的知识图谱，同时提升了少样本关系预测方法的性能和计算效率，具有广阔的应用前景。
-
Patent Agency Ranking
公开(公告)号：CN115934944A
公开(公告)日：2023-04-07
申请号：CN202211594439.2
申请日：2022-12-13
Applicant: 重庆邮电大学
IPC: G06F16/35 , G06F40/295 , G06F40/30 , G06F18/214 , G06F18/2415 , G06N3/045 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于Graph‑MLP与相邻对比损失的实体关系抽取方法，包括：获取具有标签信息的训练文本数据；根据词表对训练文本进行分词处理；将训练文本中的单词嵌入向量表示得到训练文本的词序列向量；将训练文本的词序列向量输入Bi‑LSTM中提取得到训练文本的上下文语义特征表示；创建Graph‑MLP关系分类模型；并将训练文本的上下文语义特征表示作为训练样本对Graph‑MLP关系分类模型进行训练；获取目标文本的词序列向量，将目标文本的词序列向量输入训练好的Graph‑MLP关系分类模型输出目标文本中两个实体之间的关系。
-
公开(公告)号：CN114385831A
公开(公告)日：2022-04-22
申请号：CN202210044332.4
申请日：2022-01-14
Applicant: 重庆邮电大学
Abstract: 本发明属于知识图谱补全领域，具体涉及一种基于特征提取的知识图谱关系预测方法；该方法包括：获取原始数据；根据原始数据构建初始知识图谱和待预测三元组；采用训练好的邻居编码器对待预测三元组进行处理，得到关系正确的三元组；根据关系正确的三元组补全初始知识图谱，得到完整的知识图谱；本发明结合特征提取与相似度计算机制，解决了传统知识图谱关系预测方法需要大量数据支撑的问题，采用少样本数据可较准确的对知识图谱进行关系预测，可获得更加准确的知识图谱，同时提升了少样本关系预测方法的性能和计算效率，具有广阔的应用前景。
-
公开(公告)号：CN113269228A
公开(公告)日：2021-08-17
申请号：CN202110421442.3
申请日：2021-04-20
Applicant: 重庆邮电大学 , 南方电网科学研究院有限责任公司
Abstract: 本发明属于图数据安全领域，具体涉及一种图网络分类模型的训练方法、装置、系统及电子设备；所述方法包括采集图数据集，并将所述图数据集划分为有标签节点和无标签节点；将有标签节点的图数据输入到分类模型进行训练；使用训练完成后的分类模型对无标签节点的图数据分类；随机从有标签节点和无标签节点中选择出对抗节点，计算对抗节点对对抗样本生成器损失函数的影响，从而产生对抗样本；将对抗样本输入到训练完成后的分类模型再次进行训练，得到增强后的分类模型；本发明用训练好的分类模型对无标签节点的标签进行预测，这样有利于解决连通性问题以及半监督学习中的低标签率问题。本发明能够有效地提高节点分类模型的鲁棒性。
-
公开(公告)号：CN116028638A
公开(公告)日：2023-04-28
申请号：CN202211591549.3
申请日：2022-12-12
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/35 , G06F40/295 , G06F18/22 , G06N3/0464
Abstract: 本发明提出一种基于多视图集成模型的可信知识图谱实体分类方法，所述方法包括获取知识图谱网络中的邻接矩阵和实体特征数据，生成知识图谱数据的原始视图；根据知识图谱关联信息计算出知识图谱实体邻接矩阵，根据知识图谱实体属性关系计算知识图谱实体特征矩阵；对知识图谱邻接矩阵构造出结构视图，对知识图谱实体特征矩阵构造出特征视图；将结构视图和原始视图输入到结构基模型中输出第一特征；将特征视图与原始视图输入到特征基模型中输出第二特征；将第一特征和第二特征输入到线性层中，集成输出知识图谱实体数据的类别。本方法利用集成模型结合结构视图与特征视图来对知识图谱实体进行分类，可充分地挖掘知识图谱数据的隐藏信息，提高鲁棒性。
-
公开(公告)号：CN115983273A
公开(公告)日：2023-04-18
申请号：CN202211628716.7
申请日：2022-12-18
Applicant: 重庆邮电大学
IPC: G06F40/295 , G06F40/284 , G06F40/216 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/084
Abstract: 本发明属于语义分析技术领域，具体涉及一种基于BCNN的命名实体识别模型训练方法及装置；该方法包括：获取带有标注信息的命名实体数据集和分词数据集并进行划分，得到总训练集和总验证集；将总训练集输入到共享嵌入层中进行处理，得到命名实体嵌入表示和分词嵌入表示；采用编码器分别对命名实体嵌入表示和分词嵌入表示进行处理，得到命名实体编码特征和分词编码特征；采用解码器分别对命名实体编码特征和分词编码特征进行处理，得到命名实体识别结果和分词识别结果；计算模型总损失并根据模型总损失进行反向传播，调整模型参数，得到训练好的模型；本发明能够提高模型的编码效率并降低计算复杂度，大幅度降低资源和时间消耗。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
