-
公开(公告)号：CN119918677A
公开(公告)日：2025-05-02
申请号：CN202510398928.8
申请日：2025-04-01
Applicant: 北京工业大学
IPC: G06N5/04 , G06N3/045 , G06N5/022 , G06F16/36 , G06F16/353 , G06F40/295 , G06F40/30 , G06Q50/26
Abstract: 本发明公开了基于CoT链式思维的社会治理知识图谱构建的大模型提示设计方法，涉及人工智能领域，具体包括以下步骤：步骤S1、数据预处理；步骤S2、预期输出设计；步骤S3、提示模板生成；步骤S4、知识图谱构建；步骤S5、结果优化与反馈机制。本发明通过引入CoT链式思维，通过任务分解、逐步推理、示范性输出、反馈机制等技术手段，在提示生成过程中引导模型逐步推理，从而确保信息提取的准确性和结构的标准化，最终构建出符合知识图谱要求的数据。CoT链式思维设计的提示有效地帮助大模型理解复杂任务生成高质量输出，并实现了实体标注自动化，输出包含实体类别的五元组数据。
-
公开(公告)号：CN119202212A
公开(公告)日：2024-12-27
申请号：CN202411730037.X
申请日：2024-11-29
Applicant: 北京工业大学
IPC: G06F16/332 , G06V30/148 , G06V30/19
Abstract: 本发明公开了一种基于对偶反事实的视觉问答去偏方法，涉及计算机视觉领域，分别用遮盖关键视觉区域的视觉反事实样本和遮盖关键词的问题反事实样本作为共享同一组参数的偏见模型的输入，同时从两个角度捕捉语言偏见本发明利用偏见模型的偏见预测生成伪标签，结合边际损失分离不同答案样本的特征空间，最大程度降低语言偏见对目标视觉问答模型的影响。
-
-
公开(公告)号：CN112818889A
公开(公告)日：2021-05-18
申请号：CN202110182159.X
申请日：2021-02-09
Applicant: 北京工业大学
Abstract: 本发明公开了基于动态注意力的超网络融合视觉问答答案准确性的方法，先提取图像中两两物体之间的关系特征。通过进行关系特征的向量表示和问题文本的向量表示的余弦相似度的操作来动态的选取和问题文本相关的关系特征，并将余弦相似度分数排在前三的关系特征被选取为最为相关的关系特征；为了使视觉图片和问题文本中提取的特征融合的更加充分，提用基于超网络的卷积融合方式。利用融合图像‑问题特征学习多分类的分类器，以正确预测最佳匹配答案。使特征融合更加充分，能够使两模态之间进行深层次的交互，进一步促进视觉问答技术的准确性能的提升。
-
公开(公告)号：CN112699685A
公开(公告)日：2021-04-23
申请号：CN202110027765.4
申请日：2021-01-08
Applicant: 北京工业大学
IPC: G06F40/295 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于标签引导的字词融合的命名实体识别方法，用于解决以往分词工具不准确造成的分词错误的问题。具体采用标注信息对句子的分词结果进行分组，并对组内信息进行融合，能够有效的获得这个位置词的信息；将位置词信息与当前字的信息进行融合，增强位置词的信息表达；采用注意力机制，对每个位置词进行分配权重，使其更加关注正确的词的标签；采用Gated Mechanism来动态的权衡字特征与位置词向量特征的比重，最后通过BiLSTM与CRF找到最优序列。本发明改善了词边界识别错误的问题，并能够减少未登陆词(OOV)的产生。
-
Patent Agency Ranking
公开(公告)号：CN110018927A
公开(公告)日：2019-07-16
申请号：CN201910078120.6
申请日：2019-01-28
Applicant: 北京工业大学
Abstract: 基于生成对抗网络的交通数据修复方法是一种机器学习的数据修复方法。缺失的交通流矩阵经常影响智能交通系统的性能，如错误的拥堵预测和路线指导。本发明将对抗训练思想引入交通流数据修复中，整个模型分为两个部分，生成网络和鉴别网络。生成网络部分修复缺失交通流矩阵，而鉴别网络判断修复后的交通流矩阵是否符合真实分布，并利用一致性约束来保证交通流矩阵的时序连贯性。本发明提高交通数据修复的准确性，实现对交通流量残缺部分的准确估计。
-
公开(公告)号：CN119323263A
公开(公告)日：2025-01-17
申请号：CN202411879184.3
申请日：2024-12-19
Applicant: 北京工业大学
Abstract: 本发明公开了面向社会治理知识图谱三元组构建的大模型提示模板生成方法，涉及人工智能领域，包括如下步骤：步骤S1、数据预处理优化；步骤S2、数据脱敏；步骤S3、设计预期输出模板；步骤S4、提示模板生成；步骤S5、知识图谱三元组构建；步骤S6、三元组质量评估；步骤S7、反馈优化机制。本发明通过大模型自动生成大模型本身需要的提示的模板，并基于输入文本和任务需求动态调整模板内容。这一过程区别于传统的人工设计模板，显著提升了社会治理任务的效率和准确性，特别是在任务的定制化和场景适配性方面具有显著优势。
-
公开(公告)号：CN118779463A
公开(公告)日：2024-10-15
申请号：CN202410780089.1
申请日：2024-06-17
Applicant: 北京工业大学
Abstract: 本发明公开了基于大语言模型的时序知识图谱补全方法，设计了一个用于时序知识图谱补全的框架时序知识图谱‑大语言模型框架(TKG‑LLM)。将四元组中的实体、关系以及时间信息拼接为文本序列，通过设计特定任务的提示约束大语言模型的输出，将提示、文本序列、以及辅助提示按照一定的规则进行拼接作为大语言模型的输入。为了增强大语言模型在时序知识图谱补全领域的专业性和输出可控性，使用指令微调技术以预测实体/关系或评估四元组的合理性，缓解了大语言模型在该任务中的幻觉问题。
-
公开(公告)号：CN113869404B
公开(公告)日：2024-05-28
申请号：CN202111136030.1
申请日：2021-09-27
Applicant: 北京工业大学
IPC: G06F18/23 , G06F18/25 , G06F18/22 , G06N3/0464 , G06N3/042 , G06N3/0455 , G06N3/08
Abstract: 面向论文网络数据的自适应图卷积聚类方法适用于数据挖掘领域。该方法首次将自适应图卷积网络应用到深度图卷积聚类任务中，自适应的更新图结构并学习最优的数据表示；其次，该方法创造性地提出了一个基于注意力机制的融合模块，逐层加权融合两个并行网络的数据表示，同时有效缓解了图卷积网络的过平滑的问题。该方法的提出，主要解决的技术问题包括所有样本之间内在结构的挖掘，确保模型能够捕获更完整的数据结构信息，避免不准确的图结构对聚类性能产生的负影响，以及异构信息的有效融合。
-
公开(公告)号：CN116304756A
公开(公告)日：2023-06-23
申请号：CN202310183587.3
申请日：2023-03-01
Applicant: 北京工业大学
IPC: G06F18/23 , G06F18/22 , G06F18/2413 , G06N3/048 , G06N3/08 , G06N3/0464 , G06F16/35
Abstract: 本发明公开了一种面向引文数据聚类的多图卷积聚类方法，构造蕴含原始数据底层结构信息的K最近邻图，为了提取原始数据的底层结构信息，对每一个样本数据，将计算样本数据与不同样本数据之间的余弦相似度。基于构建K最近邻图，获取到原始数据的底层结构信息，用自编码模块增强的数据表证，引入更多已经构建的关系图；经过多图卷积模块，得到了经过不同图卷积操作的特征表示。受到自注意力机制的启发，寻求在每一个节点之间学习相对应的自适应权重。通过融合各个视图的信息来获得丰富的判别信息，同时使得聚类效果得到提升。本发明通过利用多图数据，降低了对单图质量的依赖性，与现有的图卷积聚类方法相比，模型更具鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.019 seconds)
