一种基于句法分析的中文电子病历文本关系的抽取方法

    公开(公告)号:CN118485067A

    公开(公告)日:2024-08-13

    申请号:CN202410549451.4

    申请日:2024-05-06

    摘要: 本发明公开了一种用于电子病历文本关系抽取的方法,包括:1.对文本进行预处理,并通过哈工大LTP工具生成依存句法图,并使用ALBERT预训练模型提取文本序列向量和实体关系向量;2.利用Bi‑LSTM模型处理文本序列向量,融入上下文信息;3.结合依存句法图和文本序列,通过图注意力网络GAT提取句法信息;4.利用首尾指针网络识别头实体位置,以及通过异构图神经注意力网络HGAT进行节点特征交互,获取融合关系信息的文本表征;5.通过多层指针网络识别尾实体及关系,并构建关系三元组 。本发明能有效抽取电子病历文本中的关系三元组,利用句法信息与预定义实体关系提升抽取精度。

    基于深度强化学习的带时间窗的车辆路径规划方法

    公开(公告)号:CN118350732A

    公开(公告)日:2024-07-16

    申请号:CN202410566370.5

    申请日:2024-05-09

    摘要: 本发明公开了一种基于深度强化学习的带时间窗的车辆路径规划方法,包括:1建立同时考虑用户时间窗和三种不同车型的有容量限制的车辆路径规划问题的目标函数,以包含碳排放量的总消耗量最小为目标,为车辆寻求合理路线,实现根据客户不同的需求选择车型,并且使车辆在客户不同的时间窗要求内满足其需求;2确定模型初始信息及约束条件,并建立马尔科夫决策过程;然后提取配送中心轻、中、重三种车型信息和顾客需求信息的高维特征表示,设计合适的解码器掩码机制;3通过策略梯度方法训练模型,实现有多个约束条件的合理车辆路径规划。本发明能实现对客户需求的精确快速响应,提高配送中心的车辆调度效率,并降低运输成本。