-
公开(公告)号：CN113127599B
公开(公告)日：2022-07-12
申请号：CN202110230676.X
申请日：2021-03-02
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种层级对齐结构的问答立场检测方法及装置，包括：分别将问题文本与回答文本转换为问题序列与回答序列；拼接问题序列与回答序列，得到问题回答序列；将问题序列、回答序列及问题回答序列输入层次对齐模型，得到问答立场检测结果。本发明的层次对齐模型，先使用了BERT预训练模型得到粗粒度的立场表示，然后从QA对中的问题和回答两方面进行了概念级别的目标对齐和证据级别的信息对齐，得到了由粗到精的立场表示，从而在问答立场检测任务上可以获得更高的准确率和F1值。
-
公开(公告)号：CN110569499B
公开(公告)日：2021-10-08
申请号：CN201910648554.5
申请日：2019-07-18
Applicant: 中国科学院信息工程研究所
IPC: G06F40/205 , G06F40/126 , G06N3/04
Abstract: 本发明公开了一种基于多模态词向量的生成式对话系统编码方法及编码器。本方法为：1)根据当前语料与单词的上下文语境训练多模态词向量，其中每个单词生成多个词向量；2)使用双向LSTM神经网络与词向量对问句进行编码，然后将每个单词对应的前向神经网络的隐层状态与后向神经网络的隐层状态进行拼接作为该单词的上下文表示；3)将该单词的上下文表示与该单词的每一词向量分别计算相关度得分，取得分最高的词向量作为该单词的词向量；4)使用LSTM与该问句的各单词词向量对该问句进行编码，得到该问句的分布表示；5)对该问句的分布进行随机采样得到该问句的编码。本发明提高了句子编码的精准性。
-
公开(公告)号：CN113127599A
公开(公告)日：2021-07-16
申请号：CN202110230676.X
申请日：2021-03-02
Applicant: 中国科学院信息工程研究所
Abstract: 本发明公开了一种层级对齐结构的问答立场检测方法及装置，包括：分别将问题文本与回答文本转换为问题序列与回答序列；拼接问题序列与回答序列，得到问题回答序列；将问题序列、回答序列及问题回答序列输入层次对齐模型，得到问答立场检测结果。本发明的层次对齐模型，先使用了BERT预训练模型得到粗粒度的立场表示，然后从QA对中的问题和回答两方面进行了概念级别的目标对齐和证据级别的信息对齐，得到了由粗到精的立场表示，从而在问答立场检测任务上可以获得更高的准确率和F1值。
-
公开(公告)号：CN112380427A
公开(公告)日：2021-02-19
申请号：CN202011159408.5
申请日：2020-10-27
Applicant: 中国科学院信息工程研究所
IPC: G06F16/9535 , G06Q50/00 , G06N20/00
Abstract: 本发明公开了一种基于迭代图注意力网络的用户兴趣预测方法及电子装置，通过未知兴趣标签分布与兴趣标签联合依赖概率，将用户特征学习的图注意力网络GATθ与兴趣潜在关系建模的图注意力网络 相结合，并引入标签传播机制捕捉兴趣标签的局部依赖关系，对用户网络中的各用户兴趣进行预测。本发明，弥补了目前主流的用户兴趣预测方法对兴趣潜在关系建模的空缺，充分利用用户社交关系数据，预测准确率更高，并且高效快捷。
-
公开(公告)号：CN112256861A
公开(公告)日：2021-01-22
申请号：CN202010929737.7
申请日：2020-09-07
Applicant: 中国科学院信息工程研究所
IPC: G06F16/35 , G06F40/284 , G06F16/953 , G06N3/04
Abstract: 本发明提供一种基于搜索引擎返回结果的谣言检测方法及电子装置，包括：依据一原文的内容，检索得到若干文档及相应发布来源，并从每一所述文档中选取若干单词组成一证据文档；拼接原文、原文发布人与每一证据文档及相应发布来源，得到一文本集合，并将所述文本集合输入到预训练语言模型，得到原文和证据文档之间的相关性特征；依据相关性特征对原文进行分类，判断原文是否为谣言。本发明未使用特征工程和领域知识，从外部证据文章中捕获对谣言检测有帮助的词句，训练数据获得难度极低，准确率优于现有方法。
-
Patent Agency Ranking
公开(公告)号：CN112380427B
公开(公告)日：2022-07-08
申请号：CN202011159408.5
申请日：2020-10-27
Applicant: 中国科学院信息工程研究所
IPC: G06F16/9535 , G06Q50/00 , G06N20/00
Abstract: 本发明公开了一种基于迭代图注意力网络的用户兴趣预测方法及电子装置，通过未知兴趣标签分布与兴趣标签联合依赖概率，将用户特征学习的图注意力网络GATθ与兴趣潜在关系建模的图注意力网络相结合，并引入标签传播机制捕捉兴趣标签的局部依赖关系，对用户网络中的各用户兴趣进行预测。本发明，弥补了目前主流的用户兴趣预测方法对兴趣潜在关系建模的空缺，充分利用用户社交关系数据，预测准确率更高，并且高效快捷。
-
公开(公告)号：CN112347756A
公开(公告)日：2021-02-09
申请号：CN202011051087.7
申请日：2020-09-29
Applicant: 中国科学院信息工程研究所
IPC: G06F40/205 , G06F40/216 , G06N3/04
Abstract: 本发明涉及一种基于序列化证据抽取的推理阅读理解方法及系统。该方法训练基于序列化证据抽取的阅读理解模型，该模型包括编码层、推理交互层、证据预测层、答案预测层；利用训练完成的基于序列化证据抽取的阅读理解模型，输入上下文文本和问题文本，输出答案的类型、答案文本以及相关证据句子的集合。本发明通过GRU与注意力机制根据问题句子来序列化抽取证据文档中的句子作为证据句子的预测结果，将证据句子之间的相关关系考虑进去，逐步推理得到相关证据，同时覆盖问题中的重要信息。本发明从原来的独立预测每个证据句子变为序列化抽取证据句子，从而建模证据之间的相关性认证，从而提高了网络的安全可靠性。
-
公开(公告)号：CN112347756B
公开(公告)日：2023-12-22
申请号：CN202011051087.7
申请日：2020-09-29
Applicant: 中国科学院信息工程研究所
IPC: G06F40/205 , G06F40/216 , G06N3/0442 , G06N3/045
Abstract: 本发明涉及一种基于序列化证据抽取的推理阅读理解方法及系统。该方法训练基于序列化证据抽取的阅读理解模型，该模型包括编码层、推理交互层、证据预测层、答案预测层；利用训练完成的基于序列化证据抽取的阅读理解模型，输入上下文文本和问题文本，输出答案的类型、答案文本以及相关证据句子的集合。本发明通过GRU与注意力机制根据问题句子来序列化抽取证据文档中的句子作为证据句子的预测结果，将证据句子之间的相关关系考虑进去，逐步推理得到相关证据，同时覆盖问题中的重要信息。本发明从原来的独立预测每个证据句子变为序列化抽取证据句子，从而建模证据之间的相关性认证，从而提高了网络的安全可靠性。
-
公开(公告)号：CN114048395A
公开(公告)日：2022-02-15
申请号：CN202111305785.X
申请日：2021-11-05
Applicant: 中国科学院信息工程研究所
IPC: G06F16/9536 , G06Q50/00 , G06F40/194 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于时间感知与关键信息抽取的用户转发预测方法和系统。该方法的步骤包括：根据用户与目标推文的原作者的全部历史发布内容的相关性，以及用户与原作者发布内容所关注的主题随时间迁移的特性，得到融合用户及原作者的全局和层级历史内容后的目标推文特征表示；使用Topk‑Mask机制动态地抽取用户的朋友圈信息关键词，使用Tweet‑Mask机制学习用户的每条朋友圈推文的权重，并将两种机制输出的结果合并，得到用户的朋友圈特征表示；根据融合用户及原作者的全局和层级历史内容后的目标推文特征表示，以及用户的朋友圈特征表示，预测用户是否会对目标推文进行转发。本发明能够有效提高用户转发预测的准确率。
-
公开(公告)号：CN110569338A
公开(公告)日：2019-12-13
申请号：CN201910660759.5
申请日：2019-07-22
Applicant: 中国科学院信息工程研究所
IPC: G06F16/332 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种生成式对话系统解码器训练方法及解码方法。本方法为：1)对于问句编码集合中的每一问句编码，使用前向、后向神经网络对该问句编码进行预测分别得到一向量表示结果；2)计算前向、后向神经网络每一步预测结果的差异，作为生成式对话系统编码器的损失函数；3)计算前向、后向神经网络每一步状态的差异，作为二者的局部差异；4)计算前向、后向神经网络所生成向量表示结果的句子向量表示，并计算两句子向量表示的差异，作为二者的整体性差异；5)将局部差异和整体性差异作为惩罚项函数加入损失函数中，得到整体惩罚函数作为生成式对话系统编码器的损失函数；6)采用训练后的前向神经网络对问句编码进行预测，生成回复内容。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.037 seconds)
