-
公开(公告)号：CN111209410B
公开(公告)日：2023-04-18
申请号：CN201911380039.X
申请日：2019-12-27
申请人： 中国地质大学(武汉)
IPC分类号： G06F16/36 , G06F16/38 , G06F40/284
摘要： 本发明提供一种基于锚点的动态知识图谱表示学习方法及系统，首先找到已有知识图谱中对全局信息起支撑作用的关键实体，利用这些实体的向量构建基坐标系统；其次，将新增知识与已有知识图谱进行语义对齐，包括实体对齐、关系融合；最后，在基坐标系统下进行表征学习，只需联合新增知识与已有知识图谱的相关局部知识进行训练，将新知识实体摆放在知识空间中合适的位置，实现动态知识图谱的自适应增长。本发明的有益效果：将实体及关系的文本信息作为语义基础，提供了知识融合的信息基础，使得实体对齐和关系融合更加全面充分；利用word2vec向量生成模型，将实体及关系的文本信息转化为向量形式，从而用于数学运算。
-
公开(公告)号：CN111768024B
公开(公告)日：2023-03-24
申请号：CN202010430900.5
申请日：2020-05-20
申请人： 中国地质大学(武汉)
IPC分类号： G06Q10/04 , G06Q50/18 , G06F40/30 , G06F40/289 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06F18/24
摘要： 本发明提供了一种基于注意力机制的刑期预测方法、设备及存储设备，首先，根据每个犯罪事实的罪名标签查到相应的罪名量刑标准；其次，将犯罪事实和罪名量刑标准转为词向量矩阵；然后，将词向量矩阵输入长短时记忆网络，输出包含上下文语义特征的向量；之后，通过注意力机制选取重要部分的特征向量，并将两部分向量进行拼接；最后，将拼接后的特征矩阵输入到卷积神经网络中，经过全连接层后进行分类预测。一种基于注意力机制的刑期预测设备及存储设备，用于实现基于注意力机制的刑期预测方法。本发明的有益效果是：本发明的技术方案，方法简单，能够快速的预测某一犯罪事实的刑期，且预测精度较高。
-
公开(公告)号：CN109947948B
公开(公告)日：2021-04-09
申请号：CN201910148591.X
申请日：2019-02-28
申请人： 中国地质大学(武汉)
IPC分类号： G06F16/36 , G06F40/289
摘要： 本发明公开了一种基于张量的知识图谱表示学习方法及系统，本发明针对现有的知识图谱表示学习方法只考虑三元组本身信息、实体文本描述信息、实体图片信息、实体层次结构信息，而忽略了图谱的局部网络结构信息导致知识表示学习效果不佳的问题，本发明在知识图谱的表示学习中，考虑了每个实体的局部网络结构信息。首先，根据知识图谱的数据集，生成每个实体的掩码矩阵；其次，训练张量R，表示整个数据集的语义信息，每个实体可以通过掩码矩阵和R作用，得到每个实体的语义张量表达；然后，训练向量r，表示将每个实体语义张量映射至特定语义空间中的映射向量；最后在特定的语义空间进行训练，提高知识图谱表示学习的准确性。
-
公开(公告)号：CN111768024A
公开(公告)日：2020-10-13
申请号：CN202010430900.5
申请日：2020-05-20
申请人： 中国地质大学(武汉)
IPC分类号： G06Q10/04 , G06Q50/18 , G06F40/30 , G06F40/289 , G06N3/04
摘要： 本发明提供了一种基于注意力机制的刑期预测方法、设备及存储设备，首先，根据每个犯罪事实的罪名标签查到相应的罪名量刑标准；其次，将犯罪事实和罪名量刑标准转为词向量矩阵；然后，将词向量矩阵输入长短时记忆网络，输出包含上下文语义特征的向量；之后，通过注意力机制选取重要部分的特征向量，并将两部分向量进行拼接；最后，将拼接后的特征矩阵输入到卷积神经网络中，经过全连接层后进行分类预测。一种基于注意力机制的刑期预测设备及存储设备，用于实现基于注意力机制的刑期预测方法。本发明的有益效果是：本发明的技术方案，方法简单，能够快速的预测某一犯罪事实的刑期，且预测精度较高。
-
公开(公告)号：CN111222000B
公开(公告)日：2023-05-26
申请号：CN201911420143.7
申请日：2019-12-31
申请人： 中国地质大学(武汉)
IPC分类号： G06F16/55 , G06F16/583 , G06F16/951 , G06F40/284 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/042 , G06N3/08
摘要： 本发明提供一种基于图卷积神经网络的图像分类方法及系统，具体包括：用爬虫根据图像标签在网络上爬取图像对应一段文本信息；对所述文本信息预处理，得到词语；计算词语与词语之间的PMI值、图像与词语之间的TF‑IDF值；根据所述PMI值和TF‑IDF成图，构成图像与词语作为结点的图结构数据；利用图卷积神经网络对图结构数据进行处理，得到图像分类结果；本发明的有益效果是：在原有的图像数据上，为每张图像添加对应的文本描述信息，利用图卷积神经网络提高图像分类准确率。
-
公开(公告)号：CN109145071B
公开(公告)日：2021-08-27
申请号：CN201810883507.4
申请日：2018-08-06
申请人： 中国地质大学(武汉)
摘要： 本发明一种面向地球物理领域知识图谱的自动化构建方法，首先，建立起地球物理领域的概念知识库；其次，建立地球物理领域邻域内每种关系对应的关系指示词库；然后获取地球物理领域知识数据集；接着对文本进行NLP处理，然后利用标记的地球物理领域知识概念对文本进行基于词距离与实体距离对候选实体对进行识别。接着根据词性标注以及位置信息生成包含噪声数据的候选关系指示词集，利用关系指示词库进行噪声过滤；接着将提前定义好的每种关系对应的关系指示词转换成向量之后，与候选关系指示词转的向量进行相似度计算，找出相似度最高的关系指示词对应的关系；最后将这些结构化的数据导入到图数据库Neo4j中，搭建地球物理领域知识图谱。
-
公开(公告)号：CN109145071A
公开(公告)日：2019-01-04
申请号：CN201810883507.4
申请日：2018-08-06
申请人： 中国地质大学(武汉)
摘要： 本发明一种面向地球物理领域知识图谱的自动化构建方法，首先，建立起地球物理领域的概念知识库；其次，建立地球物理领域邻域内每种关系对应的关系指示词库；然后获取地球物理领域知识数据集；接着对文本进行NLP处理，然后利用标记的地球物理领域知识概念对文本进行基于词距离与实体距离对候选实体对进行识别。接着根据词性标注以及位置信息生成包含噪声数据的候选关系指示词集，利用关系指示词库进行噪声过滤；接着将提前定义好的每种关系对应的关系指示词转换成向量之后，与候选关系指示词转的向量进行相似度计算，找出相似度最高的关系指示词对应的关系；最后将这些结构化的数据导入到图数据库Neo4j中，搭建地球物理领域知识图谱。
-
公开(公告)号：CN111209410A
公开(公告)日：2020-05-29
申请号：CN201911380039.X
申请日：2019-12-27
申请人： 中国地质大学(武汉)
IPC分类号： G06F16/36 , G06F16/38 , G06F40/284
摘要： 本发明提供一种基于锚点的动态知识图谱表示学习方法及系统，首先找到已有知识图谱中对全局信息起支撑作用的关键实体，利用这些实体的向量构建基坐标系统；其次，将新增知识与已有知识图谱进行语义对齐，包括实体对齐、关系融合；最后，在基坐标系统下进行表征学习，只需联合新增知识与已有知识图谱的相关局部知识进行训练，将新知识实体摆放在知识空间中合适的位置，实现动态知识图谱的自适应增长。本发明的有益效果：将实体及关系的文本信息作为语义基础，提供了知识融合的信息基础，使得实体对齐和关系融合更加全面充分；利用word2vec向量生成模型，将实体及关系的文本信息转化为向量形式，从而用于数学运算。
-
公开(公告)号：CN111222000A
公开(公告)日：2020-06-02
申请号：CN201911420143.7
申请日：2019-12-31
申请人： 中国地质大学(武汉)
IPC分类号： G06F16/55 , G06F16/583 , G06F16/951 , G06F40/284 , G06N3/04 , G06N3/08
摘要： 本发明提供一种基于图卷积神经网络的图像分类方法及系统，具体包括：用爬虫根据图像标签在网络上爬取图像对应一段文本信息；对所述文本信息预处理，得到词语；计算词语与词语之间的PMI值、图像与词语之间的TF-IDF值；根据所述PMI值和TF-IDF成图，构成图像与词语作为结点的图结构数据；利用图卷积神经网络对图结构数据进行处理，得到图像分类结果；本发明的有益效果是：在原有的图像数据上，为每张图像添加对应的文本描述信息，利用图卷积神经网络提高图像分类准确率。
-
公开(公告)号：CN109947948A
公开(公告)日：2019-06-28
申请号：CN201910148591.X
申请日：2019-02-28
申请人： 中国地质大学(武汉)
摘要： 本发明公开了一种基于张量的知识图谱表示学习方法及系统，本发明针对现有的知识图谱表示学习方法只考虑三元组本身信息、实体文本描述信息、实体图片信息、实体层次结构信息，而忽略了图谱的局部网络结构信息导致知识表示学习效果不佳的问题，本发明在知识图谱的表示学习中，考虑了每个实体的局部网络结构信息。首先，根据知识图谱的数据集，生成每个实体的掩码矩阵；其次，训练张量R，表示整个数据集的语义信息，每个实体可以通过掩码矩阵和R作用，得到每个实体的语义张量表达；然后，训练向量r，表示将每个实体语义张量映射至特定语义空间中的映射向量；最后在特定的语义空间进行训练，提高知识图谱表示学习的准确性。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.028 秒)
