-
公开(公告)号：CN118734806A
公开(公告)日：2024-10-01
申请号：CN202411228090.X
申请日：2024-09-03
Applicant: 云南师范大学
IPC: G06F40/166 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06N5/04
Abstract: 本申请涉及自然语言处理技术领域，尤其涉及一种基于ChatGPT的多版本文本简化方法。所述方法包括：S1，确定当前文本简化结果和原始文本之间的可读性差异值，其中，所述当前文本简化结果由ChatGPT或文本简化器模型生成；S2，比较所述可读性差异值与预设差异阈值；S3，若小于或等于所述预设差异阈值，输出当前文本简化结果；S4，否则，通过所述文本简化器对所述当前文本简化结果进行简化，将得到的新的当前文本简化结果返回至步骤S1。旨在解决如何针对不同阅读能力的用户提供多版本的文本简化的问题。
-
公开(公告)号：CN118568293A
公开(公告)日：2024-08-30
申请号：CN202410650704.7
申请日：2024-05-24
Applicant: 云南师范大学
Abstract: 本发明涉及一种基于动态任务调度的教师课堂视频姿态估计识别结果展示方法，属于姿态估计数据可视化技术领域。本发明采用基于动态任务调度的策略，在后端运算阶段对教师课堂教学视频进行预处理操作，根据计算资源情况将视频片段分配给教师目标检测器实例与教师姿态估计器实例获得教师姿态识别结果。结果存储在高速缓存数据库并在后续持久化存储识别结果。在前端交互阶段将切片的教师课堂教学视频交给视频播放器播放，播放器查询姿态识别结果数据缓存，最终通过画布绘制教师姿态识别结果并重叠视频播放器协调展示。本发明高效解决了前后端分离的教师课堂姿态估计结果展示的问题，实现了课堂教师姿态结果的准确、直观以及实时的展示。
-
公开(公告)号：CN117808124B
公开(公告)日：2024-05-03
申请号：CN202410225306.0
申请日：2024-02-29
Applicant: 云南师范大学
IPC: G06N20/00 , G06F40/186
Abstract: 本发明公开了一种基于Llama2的文本简化方法，属于深度学习领域，所述基于Llama2的文本简化方法包括以下步骤：基于预设文本形式，构建包含复杂句、简单句、SARI得分的数据集；根据所述数据集，构建融合所述SARI得分的输入模板；基于LoRA方法和所述输入模板对应的输入数和输出数，对Llama模型进行微调；基于调整后的所述Llama模型，构建简化句生成模板并输出简化结果。通过以上步骤，可以保障语言模型在样本数量较少情况下的训练效果。
-
公开(公告)号：CN117786234B
公开(公告)日：2024-04-26
申请号：CN202410217209.7
申请日：2024-02-28
Applicant: 云南师范大学
IPC: G06F16/9535 , G06F16/9536 , G06F18/25 , G06N3/0455 , G06N3/0895
Abstract: 本申请公开了一种基于两阶段对比学习的多模态资源推荐方法，涉及电子数据处理领域，该方法包括：基于用户对资源的交互记录确定目标特征；基于所述交互记录对应的二部图，确定所述交互记录对应的用户表征以及资源表征；基于所述用户表征、所述资源表征以及所述目标特征对应的多模态表征，计算点击率序列；基于预设筛选方案从所述点击率序列中选取目标点击率对应的目标推荐结果，所以，有效解决了相关技术中不能有效地融合多种多模态信息，进而导致根据这些信息进行推荐时准确性低的技术问题，实现了提升推荐算法的准确性的技术效果。
-
公开(公告)号：CN117892737A
公开(公告)日：2024-04-16
申请号：CN202410277406.8
申请日：2024-03-12
Applicant: 云南师范大学
IPC: G06F40/35 , G06F40/126 , G06F40/16 , G06F40/30 , G06N3/0499 , G06N3/0895
Abstract: 本发明公开了一种基于对比搜索算法优化的多问题自动生成方法，属于大数据技术领域。所述基于对比搜索算法优化的多问题自动生成方法包括以下步骤：获取初始数据集并对所述初始数据集进行预处理；基于所述预处理后的数据集，对预设语言模型的解码器进行调整；基于所述预设语言模型和调整后的所述解码器，从预测单词候选集合中搜索并选择目标单词，以生成多个问题。通过以上步骤，能够缓解现有多样性问题生成的解码阶段生成问题单词重复以及语义信息丢失的弊端，进一步生成精度更好的多个问题，具有良好的应用前景。
-
Patent Agency Ranking
公开(公告)号：CN117474094A
公开(公告)日：2024-01-30
申请号：CN202311775002.3
申请日：2023-12-22
Applicant: 云南师范大学
IPC: G06N5/025 , G06N3/0455 , G06N3/0499 , G06F18/22
Abstract: 本发明涉及基于Transformer的融合领域特征的知识追踪方法，属于知识追踪领域和学习分析领域。本发明结合知识追踪的领域特征对Transformer模型的解码器进行变形，并训练得到由编码器和解码器组成的TKT‑DF知识追踪模型，编码器和解码器均由N层堆栈组成，每一层堆栈由多头注意力机制和前馈神经网络组成，并且结合残差连接和层归一化；在编码器上形成结合上下文的对题目的向量表征，在解码器上计算题目的表征向量之间的相似度，更新学生的知识掌握程度，并通过Mask机制来处理序列中未来的信息，最后在解码器上更新的学生知识掌握程度向量上拼接将要预测的题目，完成对学生题目答题正误的预测。本发明在大规模数据集和小规模数据集上提升了Transformer系列知识追踪模型的预测准确率。
-
公开(公告)号：CN117153197A
公开(公告)日：2023-12-01
申请号：CN202311410355.3
申请日：2023-10-27
Applicant: 云南师范大学
IPC: G10L25/63 , G10L25/24 , G10L25/30 , G06N3/0442 , G06N3/0464
Abstract: 本发明涉及深度学习技术领域，尤其涉及一种语音情感识别方法、设备以及计算机可读存储介质。提取预处理音频信号中的MFCC特征；将MFCC特征输入至少两条时序卷积分支，以融合各个MFCC特征，得到多个多尺度融合特征；对多个多尺度融合特征作深度交叉融合，得到至少两个多尺度交叉融合特征；将各个多尺度交叉融合特征作动态权重融合，得到至少两个动态权重融合特征；在通道维度上对至少两个动态权重融合特征进行拼接，得到时序卷积分支融合特征；将时序卷积分支融合特征输入到语音情感分类器中，并获取语音情感分类器输出的得分最高的语音情感类别标签，基于语音情感类别标签确定语音情感识别结果。旨在解决如何识别语音中的情感的问题。
-
公开(公告)号：CN117152846A
公开(公告)日：2023-12-01
申请号：CN202311416663.7
申请日：2023-10-30
Applicant: 云南师范大学
IPC: G06V40/20 , G06N3/0464 , G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明涉及计算机视觉技术领域，尤其涉及一种学生行为识别方法、装置、系统及计算机可读存储介质。所述方法包括：基于可变形卷积高效层聚合网络模块和至少三个预设池化层，对预处理课堂学生行为数据集作多尺度特征提取，得到至少三个不同尺度的特征图；将各个特征图输入加权双向特征金字塔，以通过加权双向特征金字塔确定特征图之间的目标融合权重；根据目标融合权重对各个特征图进行融合，得到融合特征；将融合特征输入至学生行为分类输出网络，以通过分类输出网络确定学生行为识别结果，其中，学生行为分类输出网络通过焦点损失放大课堂学生行为数据集的样本损失权重。解决了如何通过计算机识别课堂教学中学生行为的问题。
-
公开(公告)号：CN116681087A
公开(公告)日：2023-09-01
申请号：CN202310914371.X
申请日：2023-07-25
Applicant: 云南师范大学
IPC: G06F40/35 , G06F40/126 , G06F40/289 , G06N3/0442 , G06F16/332
Abstract: 本发明提出基于多阶段时序和语义信息增强的自动问题生成方法，包括：首先获取模型所需的数据信息；构建基于多阶段时序和语义信息增强模型的编码器，将编码器多阶段编码得到的上下文信息进行融合，经过循环神经网络编码后得到增强的答案感知的上下文信息；构建基于多阶段时序和语义信息增强模型的解码器，在解码过程中引入迭代图神经网络，并结合基于注意力机制的循环神经网络、指针复制机制、覆盖机制生成问题。本发明是针对图到序列的问题生成模型编码器的多阶段编码以及解码过程中容易丢失上下文中丰富的序列信息和语义结构信息的弊端而提出的，能改善问题生成的质量，在自动评估指标和人工评价方面均优于序列到序列的问题生成方法。
-
公开(公告)号：CN116050401B
公开(公告)日：2023-07-25
申请号：CN202310331534.1
申请日：2023-03-31
Applicant: 云南师范大学
IPC: G06F40/284 , G06F40/216 , G06F40/30 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08 , G06Q30/0601
Abstract: 本发明提出一种基于Transformer问题关键词预测的多样性问题自动生成方法，属于自然语言处理领域。该方法包括：首先对数据集进行编码，然后构建一个基于Transformer的问题关键词预测器，通过增强基于GRU网络的编码器‑解码器模型的输入端，最后在解码器的输出端采取谱聚类和集束搜索的解码方式生成多样性问题。本发明针对商品网站中潜在的商品信息缺失问题进行研究，采用深度学习的方法，自动生成辅助商家识别发布的商品信息缺失的问题，使用生成的多样性问题来提醒商家完善商品的描述信息。实验结果表明，本发明在自动评估方面都优于以往传统的方法。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.029 seconds)
