-
公开(公告)号:CN116910263A
公开(公告)日:2023-10-20
申请号:CN202310595809.2
申请日:2023-05-25
申请人: 中国人民解放军国防科技大学
IPC分类号: G06F16/36 , G06F18/24 , G06F18/214 , G06N3/04 , G06N3/08
摘要: 本发明公开了一种基于分类关系建模的知识图谱链接预测方法,包括以下步骤:将三元组集分为isA三元组集和关系三元组集;对于关系三元组采用RotatE模型进行建模;使用基于边际参数的损失函数作为优化目标进行训练,用训练后的模型对知识图谱链接进行预测,对于每一个测试三元组,将尾实体t用知识图谱中的每一个实体x来代替得到一组候选三元组,计算这一组候选三元组的距离函数的得分,对这组得分进行升序排序,得到测试三元组在所有候选三元组的排名。本发明相比其他基线方法学习出的向量表示性能更好。
-
公开(公告)号:CN114239711A
公开(公告)日:2022-03-25
申请号:CN202111525184.X
申请日:2021-12-14
申请人: 中国人民解放军国防科技大学
摘要: 本发明公开了基于异构信息网络少样本学习的节点分类方法,包括步骤:从原始图中对子图进行采样,以形成元训练和元测试数据集的支持集和查询集;对支持集中多个支持图实例采样;对采样图进行迭代,在子图中生成节点嵌入,然后将节点嵌入输入异构图神经网络模块进行训练更新;根据节点嵌入获得任务嵌入;计算支持损失函数并根据更新参数;对多个查询图实例进行采样,按照与支持集相同的训练过程来学习节点嵌入和查询损失函数;对节点进行分类并评级。本发明可以在不同的异构信息网络之间迁移;采用结构模块、异构模块和对比模块分别捕获子图的结构信息、异构特征和未标记信息,在多个异构信息网络上均显著优于最新技术。
-
公开(公告)号:CN114218379A
公开(公告)日:2022-03-22
申请号:CN202111393720.5
申请日:2021-11-23
申请人: 中国人民解放军国防科技大学
IPC分类号: G06F16/35 , G06F16/332 , G06F40/30 , G06N3/08
摘要: 本发明公开了面向智能问答系统的无法回答问题的归因方法,获取不可回答问题;使用连续模板来转换输入问题的上下文和归因类;使用预训练语言模型将连续模板嵌入到高维向量空间中;使用基于prompt的MLM模块确定标签集中的哪个标签可填充输入中的[MASK];面向原因的模板模块使用数据驱动的方法为模板构建指导信号;语义感知的标签模块对标签集中的标签进行编码,以将它们的表示保持在与输入相同的语义空间中;将监督标签是不可回答原因的预定义类,使用交叉熵损失函数计算损失,并反向传播以更新预训练语言模型;输出不可回答问题的归因。本发明特定于任务的设计能够更好地启发模型,从而实现最先进的性能。
-
公开(公告)号:CN112307740A
公开(公告)日:2021-02-02
申请号:CN202011600231.8
申请日:2020-12-30
申请人: 中国人民解放军国防科技大学
IPC分类号: G06F40/205 , G06F40/58 , G06F40/151 , G06N3/04 , G06N3/08
摘要: 本发明一种基于混合注意力网络的事件检测方法及装置,所述方法包括:构建混合注意力网络模型,包括多语言表示层、混合注意力层和分类层;在所述的多语言表示层进行源文本的翻译以及多种语言的目标文本的获取,并且进行了文本的对齐,将多种语言的目标文本转化为句子序列的向量表示;混合注意力层,同时对多种语言的文本并行进行上下文注意力的学习,通过多语言注意力机制进行跨源语言和多种目标语言的信息融合;在分类层进行事件类型的预测分类。
-
公开(公告)号:CN117807471A
公开(公告)日:2024-04-02
申请号:CN202311552612.7
申请日:2023-11-21
申请人: 中国人民解放军国防科技大学
IPC分类号: G06F18/24 , G06F16/36 , G06N5/02 , G06N3/082 , G06F18/214 , G06F17/18 , G06N3/048 , G06N3/084
摘要: 本发明公开了一种面向层次结构实体的三元组分类方法,包括以下步骤:获取普通关系三元组集和具有层次结构关系的三元组集,并组成三元组集;使用知识图谱表示学习为三元组集学习出其嵌入表示;构造三元组集的负样本;使用结合实体层次结构建模的知识嵌入模型建模知识图谱嵌入,将具有层次结构关系的实体嵌入建模成空间中有序的点;使用PEP框架对实体的嵌入维度进行剪枝,从而为不同层次的实体自动学习出不同的嵌入维度;计算给定三元组的评分函数值,然后对评分函数值进行非线性变换,得到其为正三元组的概率。本发明为不同层次的实体自动学习维度不同的嵌入。且建模层次结构关系的传递性和反对称性。
-
公开(公告)号:CN117708341A
公开(公告)日:2024-03-15
申请号:CN202311552614.6
申请日:2023-11-21
申请人: 中国人民解放军国防科技大学
IPC分类号: G06F16/36 , G06N5/02 , G06F18/214 , G06F18/24 , G06N3/048 , G06N3/082 , G06N3/084 , G06F17/18
摘要: 本发明公开了一种基于嵌入维度自动学习的知识图谱链路预测方法,包括以下步骤:获取普通关系三元组集和具有层次结构关系的三元组集,并组成三元组集;使用知识图谱表示学习为三元组集学习出其嵌入表示;构造三元组集的负样本;使用结合实体层次结构建模的知识嵌入模型建模知识图谱嵌入,将具有层次结构关系的实体嵌入建模成空间中有序的点;使用PEP框架对实体的嵌入维度进行剪枝,从而为不同层次的实体自动学习出不同的嵌入维度;利用不同层次的实体学习到的嵌入,计算链路候选三元组的距离函数的得分,从候选三元组中获得链路预测结果。本发明为不同层次的实体自动学习维度不同的嵌入,采用不同嵌入实现知识图谱的链路预测。
-
公开(公告)号:CN114218379B
公开(公告)日:2024-02-06
申请号:CN202111393720.5
申请日:2021-11-23
申请人: 中国人民解放军国防科技大学
IPC分类号: G06F16/35 , G06F16/332 , G06F40/30 , G06N3/084
摘要: 本发明公开了面向智能问答系统的无法回答问题的归因方法,获取不可回答问题;使用连续模板来转换输入问题的上下文和归因类;使用预训练语言模型将连续模板嵌入到高维向量空间中;使用基于prompt的MLM模块确定标签集中的哪个标签可填充输入中的[MASK];面向原因的模板模块使用数据驱动的方法为模板构建指导信号;语义感知的标签模块对标签集中的标签进行编码,以将它们的表示保持在与输入相同的语义空间中;将监督标签是不可回答原因的预定义类,使用交叉熵损失函数计算损失,并反向传播以更新预训练语言模型;输出不可回答问题的归因。本发明特定于任务的设计能够更好地启发模型,从而实现最先进的性能。
-
公开(公告)号:CN114205252B
公开(公告)日:2023-11-28
申请号:CN202111505379.8
申请日:2021-12-10
申请人: 中国人民解放军国防科技大学
IPC分类号: H04L41/16 , G06F18/241 , G06N3/0442 , G06F18/214
摘要: 本发明属于数据分析领域,公开了基于元图可扩展表示的动态异构网络节点分类方法,获得科学合作的动态异构信息网络数据,包括网络节点和网络边数据;引入复数空间中的嵌入机制来表示在时间戳1的给定动态异构信息网络;采用三元元图动态嵌入机制来学习从时间戳2到时间戳t的动态异构信息网络;利用基于长短期记忆网络的深度自动编码器处理时间戳1到时间戳t的异构信息网络,分析计算后执行时间戳t+1的图预测;利用1到t+1的图数据,对网络中的节点进行分类,获得分类结果。本发明基于元图的机制在变化数据集上进行训练,可扩展到大型动态异构信息网络,可预测未来的网络结构。
-
公开(公告)号:CN116662565A
公开(公告)日:2023-08-29
申请号:CN202310587606.9
申请日:2023-05-23
申请人: 中国人民解放军国防科技大学
IPC分类号: G06F16/36 , G06F16/35 , G06F18/2415 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06N3/0895
摘要: 本发明公开了基于对比学习预训练的异质信息网络关键词生成方法,包括以下步骤:采用文本编码器将文本编码成低维向量,生成文本表示;采用图谱编码器对异质信息网络的结构特征、异质特征和自监督信息进行编码,获得图表示;通过对比学习,将文本表示和图表示进行预训练对齐;引入自动生成的可学习且连续的提示向量,将标识的自然语言语句提供给文本编码器,并将自然语言语句与图谱编码器生成的结构和异质特征表示进行比较来生成分类时的权重,融合得到单一表示;利用获得的单一表示,进行异质信息网络的关键字生成。本发明方法能够在异质信息网络的关键字生成任务中获得更优异显著的生成性能。
-
公开(公告)号:CN114239712A
公开(公告)日:2022-03-25
申请号:CN202111525204.3
申请日:2021-12-14
申请人: 中国人民解放军国防科技大学
摘要: 本发明公开了基于异构信息网络元学习架构的异常检测方法,包括步骤:从原始图中对子图进行采样;对支持集中多个支持图实例采样;对采样图进行迭代,在每个子图中生成结构节点嵌入,输入异构图神经网络模块进行训练更新;根据节点嵌入获得任务嵌入;计算支持损失函数并更新参数;对多个查询图实例进行采样,并按与支持集相同的训练过程来学习节点嵌入和查询损失函数;计算任务权重,进行异常检测并对原始图相应的产品或节点进行异常标注。本发明可以在不同的异构信息网络之间迁移;采用结构模块、异构模块和对比模块分别捕获子图的结构信息、异构特征和未标记信息,在多个异构信息网络上均显著优于最新技术。
-
-
-
-
-
-
-
-
-