-
公开(公告)号：CN110516239A
公开(公告)日：2019-11-29
申请号：CN201910788092.7
申请日：2019-08-26
Applicant: 贵州大学
Abstract: 本发明公开了一种基于卷积神经网络的分段池化关系抽取方法，所述方法包括如下步骤：步骤一：基于预训练词向量和随机词向量以及零向量对文本进行向量映射；步骤二：通过神经网络对向量矩阵进行卷积操作提取特征；步骤3：对卷积后的结果分段池化进一步抽象特征；步骤4：全连接、Softmax层预测结果。在充分利用句子文本完整信息的基础上，采用实体分割策略，引入神经网络技术，充分发挥神经网络分层自动提取高维抽象特征的特点，将提取由实体分割的文本各部分池化特征，并且在一定程度上避免传统机器学习方法产生的特征稀疏问题，从而提高关系抽取的性能。
-
公开(公告)号：CN110516068A
公开(公告)日：2019-11-29
申请号：CN201910785197.7
申请日：2019-08-23
Applicant: 贵州大学
IPC: G06F16/35
Abstract: 本发明公开了一种基于度量学习的多维度文本聚类方法，它主要包括以下步骤：一从数据集中选取两个维度并进行特征向量化表示；二使用K-Means聚类方法并结合度量矩阵学习分别对两个维度进行初始化聚类；三判断当前的聚类结果是否达到结束条件，若不满足则设置约束对上限常数执行步骤四，否则结束算法，输出聚类结果辅助下游任务；四利用当前维度的聚类结果挑选满足条件的约束对；五将步骤四所生成的约束集合加入到维度的聚类过程中，调节目标函数和度量矩阵的学习，得到两个维度的聚类结果；六重复迭代步骤三至步骤五。此方法基于度量学习的多维度文本聚类算法综合考虑数据在不同特征空间的表现方式，进行多维度辅助聚类，有较好的聚类效果。
-
公开(公告)号：CN110119905A
公开(公告)日：2019-08-13
申请号：CN201910433339.3
申请日：2019-05-23
Applicant: 贵州大学
Abstract: 本发明公开了一种基于双通道卷积神经网络的精准分案方法，包括以下步骤：一、建立判断法官擅长案件类型的评价指标；二、法官表示；三、案件表示；四、搭建分案模型：基于基准的神经网络模型，搭建双通道卷积神经网络模型，将法官及案件表示经过预训练的词向量矩阵，得到相应的向量矩阵表示作为数据输入模型，然后将两通道上池化层之后得到的特征向量进行拼接，最后得到输出结果，完成分案。结合数据挖掘、自然语言处理及神经网络方法，对法院数据进行处理，制定规则挖掘有价值的信息，进而为法院的智能化自动化分案提供技术支撑，大大提高了分案效率，实现自动化的，有效的避免了司法过程中的腐败现象，提高了分案的准确率，取得了很好的效果。
-
公开(公告)号：CN109190547A
公开(公告)日：2019-01-11
申请号：CN201810986642.1
申请日：2018-08-28
Applicant: 贵州大学
Abstract: 本发明公开了一种快速高效的行人检测方法。本发明在传统的行人检测框架上做出了改进，在提取特征之前提出了一种基于BING特征的改进算法HWEBING对图像进行预检测，预检测能够减少大量的非物体的窗口，筛选出可能是物体的候选窗口。本发明的MLBP特征的检测率比均匀模式LBP和基本模式LBP的检测率分别提高了3.5％和2.1％。并且相比传统的行人检测方法，本方法利用HWEBING算法对图片进行预检测后再提取HOG和MLBP特征比直接提取HOG和MLBP特征的速度提高了5.5倍。使用HWEBING算法与HOG-MLBP特征结合取得较好的行人检测效果。
-
公开(公告)号：CN107926801A
公开(公告)日：2018-04-20
申请号：CN201711448724.2
申请日：2017-12-27
Applicant: 贵州大学
Abstract: 本发明涉及水产养殖技术领域，尤其涉及水产养殖的网箱养殖器，包括：浮台、液面、分力器；所述浮台漂浮在液面的上方，且浮台的底部与分力器相连接；所述主绳索的顶部与分力器相连接，且主绳索的底部通过固定座与泥沙底相连接；所述防护栏设置在浮台的顶部，且防护栏与浮台通过固定方式相连接；所述下层养殖网位于浮台的下方，且下层支撑框架设置在下层养殖网的内部。本发明通过以上结构上的改进，具有结构设计简单合理、固定效果好、整体牢固性强、根据养殖鱼类的大小可进行分层养殖、空间利用率高、经济效益高的优点，从而有效的解决了现有装置中存在的问题和不足。
-
Patent Agency Ranking
公开(公告)号：CN119990131A
公开(公告)日：2025-05-13
申请号：CN202510069993.6
申请日：2025-01-16
Applicant: 贵州大学
IPC: G06F40/295 , G06N3/045 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了基于二维语义扩张的命名实体识别方法，属于自然语言处理技术领域，包括S1、构建由编码模块、语义聚焦模块和门控集成模块组成的模型架构；S2、通过编码模块将一个原始句子映射为一个二维句子表示；S3、通过语义聚焦模块捕获二维句子表示的局部特征信息和全局语义信息；S4、通过门控集成模块对不同特征信息进行融合，获得最终的特征表示，进行预测；本发明提供的基于二维语义扩张的命名实体识别方法，针对实体语义在跨度中分散、语义模糊的问题，通过语义扩张模块，增强了局部语义信息，实现更精细的特征提取；通过构建了一个轻量级网络架构，用于捕获二维表示的全局信息，进一步提升了特征表示的质量，从而更好的识别长命名实体。
-
公开(公告)号：CN119493884B
公开(公告)日：2025-04-15
申请号：CN202510082874.4
申请日：2025-01-20
Applicant: 贵州大学
IPC: G06F16/903 , G06F16/901 , G06N5/04 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种结合因果关系的法条推荐方法，涉及法条推荐技术领域，包括以下步骤：步骤1、构建案件事实‑法条有向二分图；步骤2、构建双层图卷积神经网络模型；步骤3、对步骤2构建的双层图卷积神经网络模型进行训练；步骤4、训练过程完成后，通过精准度、准确度、召回率、F1分数评估模型性能，根据评估结果，调整模型超参数；本发明提供的方法通过保留训练集中低频法条及其关联案件事实，再利用图卷积神经网络聚合邻近节点的信息，增强低频法条的特征表示，从而使其语义信息得到有效利用，提高低频法条的推荐成功率。
-
公开(公告)号：CN119441914A
公开(公告)日：2025-02-14
申请号：CN202411556143.0
申请日：2024-11-04
Applicant: 贵州大学
IPC: G06F18/23 , G06N3/0455 , G06N3/0442 , G06N3/0895 , G06N3/094
Abstract: 本发明属于数据分析与应用技术领域，具体涉及一种面向多视图聚类的插用式跨视图预学习方法，包括以下步骤：首先采用多视图自动编码器获得各个视图上原始输入数据的编码表示；然后采用跨视图的对比学习方式引入多视图之间的互补一致性信息；最后联合优化将多视图重构损失和跨视图对比学习损失作为总任务损失进行模型监督。本发明通过引入跨视图对比学习和插用式的预学习方法，充分考虑多视图信息，在特征学习阶段对多视图信息进行全面有效的整合，从而提高模型的表达能力和聚类性能，减少信息丢失现象，实现更准确和稳定的多视图聚类结果。
-
公开(公告)号：CN118967068B
公开(公告)日：2024-12-20
申请号：CN202411455223.7
申请日：2024-10-18
Applicant: 贵州大学
IPC: G06Q10/10 , G06Q50/18 , G06N3/0442 , G06N3/08 , G06F16/33 , G06F16/335
Abstract: 本发明涉及智能文本审核技术领域，特别涉及一种基于要素抽取的智能合同审核方法，解决现有技术中的过度依赖人工规则，缺乏灵活性；未能深入挖掘合同结构与要素之间的深层关系、多阶段处理中易导致错误传播技术问题，具体为拆分合同原文为多个合同模块，使用双向的长短期记忆网络对合同模块中的句子进行特征编码，以将句子转换为向量表示；通过分析合同要素类型和合同模块类型共同出现的频率，通过构建C‑E图获得关系编码表示；结合关系编码表示和句子的向量表示，采用双反馈方案联合训练分类任务和要素抽取任务，抽取合同要素；搜索与合同缺失要素相关的合同要素，使用中文文本相似度评价指标对检索到的文本进行重新排名，输出审核报告。
-
公开(公告)号：CN118917301A
公开(公告)日：2024-11-08
申请号：CN202411411874.6
申请日：2024-10-11
Applicant: 贵州大学
IPC: G06F40/205 , G06F40/30 , G06N3/0464 , G06N3/042 , G06N3/08 , G06F16/35
Abstract: 本发明涉及语言结构学习技术领域，特别是一种面向实体关系抽取的语言结构学习方法及系统，从数据集中提取关系提及语句、实体对以及实体对间的语义关系类别；将实体特征序列与实体标记语句结合得到文本序列，输入神经网络模型；将所述文本序列中的词映射成向量，得到抽象表示矩阵；构建增强特征关联邻接矩阵，作为神经网络模型训练的可变参数；抽象表示矩阵与增强特征关联邻接矩阵进行图卷积操作，并进行残差链接，得到文本语言结构特征；对文本语言结构特征进行全连接操作，通过激活函数和线性分类，输出语义关系分类结果。通过构建特征关联邻接矩阵，在神经网络隐藏层中不断更新矩阵，达到学习语言结构关系的目的，改善实体关系抽取的性能。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.014 seconds)
