一种基于知识迁移的跨领域情感分析方法及存储介质

    公开(公告)号:CN116108853A

    公开(公告)日:2023-05-12

    申请号:CN202211650456.3

    申请日:2022-12-21

    Abstract: 本发明公开了一种基于知识迁移的跨领域情感分析方法及存储介质,为了解决数据标注困难的问题,通常需要将其他领域的知识迁移到目标领域来。迁移的方式有很多,有基于模型的,基于实例的,基于关系的,这些方式在深度学习的背景下得到了很大的发展。但是在迁移的过程中,总是忽略了外部知识库的作用,因此尝试运用外部知识库的知识加强迁移学习的效果成为一种新的方法。本发明方法包括:构建语义网络模块、特征提取模块、域对抗训练模块。将亚马逊的五个产品评论数据集进行处理,提取其中一些出现频率比较高的词语并与conceptNet连接,构成语义网络。再使用rgcn对语义网络进行处理,提取特征表示。最后加入域对抗训练来提高模型的鲁棒性。

    一种基于图神经网络多嵌入联合的临床命名实体识别方法

    公开(公告)号:CN114841167A

    公开(公告)日:2022-08-02

    申请号:CN202210540397.8

    申请日:2022-05-17

    Abstract: 本发明公开了一种基于图神经网络多嵌入联合的临床命名实体识别方法,包括101.对输入文本进行分词处理,并赋予初始权重;102.对输入文本按批次进行划分及截断;103.对输入文本按批次填充至相同长度;104.连接文本句子对;105.构建数据增强多嵌入联合特征;106.构建图神经网络,其中通过多头注意力机制进行节点与边的信息传递;107.构建关于临床领域的字组信息;108.使用BiLSTM进一步提取文本特征;109.使用CRF对BiLSTM的输出数据进行解码,从而实现实体识别。本发明主要通过对实体进行数据增强并构建字词关联图,使得模型能更精确地识别医疗领域的实体。

    一种基于多类多标签演化超网络的多目标回归方法

    公开(公告)号:CN113378454A

    公开(公告)日:2021-09-10

    申请号:CN202110545735.2

    申请日:2021-05-19

    Abstract: 本发明请求保护一种基于多类多标签演化超网络的多目标回归方法,包括:101将多目标回归问题转化成为多类多标签分类问题;102采用演化超网络模型对多类多标签数据进行建模;103采用演化超网络模型表示多个输出目标之间的高阶关联;104将代价敏感学习与演化超网络模型进行融合,处理类别不平衡问题;105通过建立多类别多标记演化超网络模型同时预测多个相互关联的目标的输出。本发明主要是通过将多目标回归问题转换成多类多标签分类问题,有效地表示多目标回归问题中多个输出目标之间的关联关系,并通过训练多类别多标签演化超网络模型,同时预测多个相互关联的目标的输出,以提高多目标回归的预测性能。

    一种基于小样本分割的医学图像自动标注方法及系统

    公开(公告)号:CN113838058B

    公开(公告)日:2024-03-19

    申请号:CN202111182894.7

    申请日:2021-10-11

    Abstract: 本发明请求保护一种基于小样本分割的医学图像自动标注方法及系统,医学图像分割的进行需要大量带标注的数据,而标注新的数据过程繁琐单一,但却又需要大量人工来进行手工标注工作,增加了数据集的成本。本发明基于小样本分割技术,提出了一种自动标注网络结构Siamese‑DCNet(孪生深层对比网络),利用双分支结构,包括一个查询分支和支持分支,分别对未标注的图像和已经标注的图像进行初步提取特征,利用双分支所得的结果,结合已知标注,去掉标注之外不重要的信息,通过计算余弦相似度来预测一个初步的标注,并输入一个迭代优化模块,经过几次迭代的细化得到最终的标注结果。本发明仅需要少量的带标注的图像,就能够实现相同场景其他所有图像的自动标注。

    一种基于图神经网络多嵌入联合的临床命名实体识别方法

    公开(公告)号:CN114841167B

    公开(公告)日:2024-12-17

    申请号:CN202210540397.8

    申请日:2022-05-17

    Abstract: 本发明公开了一种基于图神经网络多嵌入联合的临床命名实体识别方法,包括101.对输入文本进行分词处理,并赋予初始权重;102.对输入文本按批次进行划分及截断;103.对输入文本按批次填充至相同长度;104.连接文本句子对;105.构建数据增强多嵌入联合特征;106.构建图神经网络,其中通过多头注意力机制进行节点与边的信息传递;107.构建关于临床领域的字组信息;108.使用BiLSTM进一步提取文本特征;109.使用CRF对BiLSTM的输出数据进行解码,从而实现实体识别。本发明主要通过对实体进行数据增强并构建字词关联图,使得模型能更精确地识别医疗领域的实体。

    一种基于小样本分割的医学图像自动标注方法及系统

    公开(公告)号:CN113838058A

    公开(公告)日:2021-12-24

    申请号:CN202111182894.7

    申请日:2021-10-11

    Abstract: 本发明请求保护一种基于小样本分割的医学图像自动标注方法及系统,医学图像分割的进行需要大量带标注的数据,而标注新的数据过程繁琐单一,但却又需要大量人工来进行手工标注工作,增加了数据集的成本。本发明基于小样本分割技术,提出了一种自动标注网络结构Siamese‑DCNet(孪生深层对比网络),利用双分支结构,包括一个查询分支和支持分支,分别对未标注的图像和已经标注的图像进行初步提取特征,利用双分支所得的结果,结合已知标注,去掉标注之外不重要的信息,通过计算余弦相似度来预测一个初步的标注,并输入一个迭代优化模块,经过几次迭代的细化得到最终的标注结果。本发明仅需要少量的带标注的图像,就能够实现相同场景其他所有图像的自动标注。

Patent Agency Ranking