-
公开(公告)号：CN115631798B
公开(公告)日：2023-08-08
申请号：CN202211276710.8
申请日：2022-10-17
IPC分类号： G16B40/20 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/084 , G06F18/2415 , G06F18/25
摘要： 本发明公开了一种基于图对比学习的生物分子分类方法及装置，通过将获取的目标生物分子图输入到预训练的编码器中，将得到的目标生物分子图中的所有节点特征进行融合，得到目标生物分子图标签；编码器的预训练过程包括：将生物分子图输入第一编码器，得到生物分子图特征，将生物分子图输入第二编码器，得到生物分子图正例特征；将构造的生物分子图负例输入到第二编码器中，得到生物分子图负例的负例特征；获取每轮负例入队训练个数，基于生物分子图特征、生物分子图正例特征、负例特征和每轮负例入队训练个数，对第一编码器和第二编码器进行更新，得到预训练的编码器。与现有技术相比，本发明的技术方案能提高生物分子分类的准确性。
-
公开(公告)号：CN115545300B
公开(公告)日：2023-07-11
申请号：CN202211205618.2
申请日：2022-09-30
IPC分类号： G06Q10/04 , G06F16/36 , G06F16/9535 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N5/04
摘要： 本申请涉及一种基于图神经网络进行用户行为预测的方法及装置，其方法包括标注用户、商品及两者之间的交互行为；进行构图；初始化动态实体嵌入和动态关系嵌入，设置模型的训练时间步；若当前的训练时间步小于设置的训练时间步，则获取当前的时序知识图谱的静态关系嵌入，使用循环神经网络更新动态关系嵌入；使用图神经网络计算当前的时序知识图谱的静态实体嵌入，并使用循环神经网络更新动态实体嵌入，直至训练时间步等于或大于设置值；使用卷积解码器进行解码，得到所有实体的得分，并根据得分进行评估，保存评估结果满足预设条件的时序知识图谱推理的模型；基于模型进行预测。本申请具有使图结构信息聚合更准确，提高预测精度的效果。
-
公开(公告)号：CN115473836B
公开(公告)日：2023-06-06
申请号：CN202210976811.X
申请日：2022-08-15
IPC分类号： H04L43/0876 , H04L43/04 , H04L47/10 , H04L47/125 , H04L47/30
摘要： 本发明公开了一种基于流图模型的网络流量测量方法和装置。该方法包括步骤：将每次从网卡或网络流量文件接收到的数据包流插入到一个高速缓冲队列中，并从所述数据包中提取数据包信息；根据流图模型和提取的所述数据包信息构建用于更新和存储网络流特征的布谷矩阵，所述流图模型的节点、边和边上的权重向量，分别对应I P地址、I P之间的网络流和网络流的统计特征向量；通过基础查询接口对所述布谷矩阵进行查询获取网络流特征数据。本发明降低了网络流量测量的时空开销和提高了网络流量测量的效率。
-
公开(公告)号：CN115631798A
公开(公告)日：2023-01-20
申请号：CN202211276710.8
申请日：2022-10-17
IPC分类号： G16B40/20 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/084 , G06F18/2415 , G06F18/25
摘要： 本发明公开了一种基于图对比学习的生物分子分类方法及装置，通过将获取的目标生物分子图输入到预训练的编码器中，将得到的目标生物分子图中的所有节点特征进行融合，得到目标生物分子图标签；编码器的预训练过程包括：将生物分子图输入第一编码器，得到生物分子图特征，将生物分子图输入第二编码器，得到生物分子图正例特征；将构造的生物分子图负例输入到第二编码器中，得到生物分子图负例的负例特征；获取每轮负例入队训练个数，基于生物分子图特征、生物分子图正例特征、负例特征和每轮负例入队训练个数，对第一编码器和第二编码器进行更新，得到预训练的编码器。与现有技术相比，本发明的技术方案能提高生物分子分类的准确性。
-
公开(公告)号：CN114969318A
公开(公告)日：2022-08-30
申请号：CN202210069686.4
申请日：2022-01-21
IPC分类号： G06F16/35 , G06F16/36 , G06F40/284 , G06F40/211 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于多图稀疏交互网络的多任务立场检测方法。该方法通过将输入文本输入至多图稀疏交互网络模型，得到所述输入文本的立场检测极性和情感分类极性；所述多图稀疏交互网络模型包括文本编码模块、多图构建模块、多图稀疏交互模块和任务相关注意力模块；所述多图构建模块用于构建所述多图稀疏交互网络模型的立场任务图、情感任务图和任务关系图；多图稀疏交互模块用于对立场任务图、情感任务图和任务关系图的图内节点特征进行更新，和对节点特征在图间的稀疏交互进行更新；所述任务相关注意力模块用于计算输入文本的检测立场的极性和分类情感的极性。本发明技术方案提高了针对推文文本进行立场检测的准确性。
-
公开(公告)号：CN114969318B
公开(公告)日：2023-04-07
申请号：CN202210069686.4
申请日：2022-01-21
IPC分类号： G06F16/35 , G06F16/36 , G06F40/284 , G06F40/211 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于多图稀疏交互网络的多任务立场检测方法。该方法通过将输入文本输入至多图稀疏交互网络模型，得到所述输入文本的立场检测极性和情感分类极性；所述多图稀疏交互网络模型包括文本编码模块、多图构建模块、多图稀疏交互模块和任务相关注意力模块；所述多图构建模块用于构建所述多图稀疏交互网络模型的立场任务图、情感任务图和任务关系图；多图稀疏交互模块用于对立场任务图、情感任务图和任务关系图的图内节点特征进行更新，和对节点特征在图间的稀疏交互进行更新；所述任务相关注意力模块用于计算输入文本的检测立场的极性和分类情感的极性。本发明技术方案提高了针对推文文本进行立场检测的准确性。
-
公开(公告)号：CN115510226A
公开(公告)日：2022-12-23
申请号：CN202211070367.1
申请日：2022-09-02
IPC分类号： G06F16/35 , G06F16/36 , G06F40/211 , G06F40/242 , G06F40/30 , G06N3/04 , G06N3/08 , G06F17/16 , G06K9/62
摘要： 本申请属于自然语言处理技术领域，公开了一种基于图神经网络的情感分类方法。通过利用BERT编码器得到文本句的上下文表示；基于句法依赖树，构建初始邻接矩阵；使用Glove词向量模型将初始邻接矩阵映射成初始化邻接矩阵表示；构建根选择分数向量和初始化邻接矩阵表示输入到结构归纳器中，获取潜在图以及语义图；将潜在图和语义图输入到图卷积神经网络中得到潜在图表示和语义图表示，将其结合交互得到经过语义信息增强的潜在图表示和与潜在图交互后的语义图表示；进一步获取用于情感分析的特征表示，经过平均池化操作得到最终特征表示，输入到图卷积网络的线性层，得到文本句的情感极性。实现更好的关联方面词与意见词，提高情感分类的准确性。
-
公开(公告)号：CN115510226B
公开(公告)日：2023-11-10
申请号：CN202211070367.1
申请日：2022-09-02
IPC分类号： G06F16/35 , G06F16/36 , G06F40/211 , G06F40/242 , G06F40/30 , G06N3/0464 , G06N3/045 , G06N3/042 , G06N3/09 , G06F17/16 , G06F18/2415
摘要： 本申请属于自然语言处理技术领域，公开了一种基于图神经网络的情感分类方法。通过利用BERT编码器得到文本句的上下文表示；基于句法依赖树，构建初始邻接矩阵；使用Glove词向量模型将初始邻接矩阵映射成初始化邻接矩阵表示；构建根选择分数向量和初始化邻接矩阵表示输入到结构归纳器中，获取潜在图以及语义图；将潜在图和语义图输入到图卷积神经网络中得到潜在图表示和语义图表示，将其结合交互得到经过语义信息增强的潜在图表示和与潜在图交互后的语义图表示；进一步获取用于情感分析的特征表示，经过平均池化操作得到最终特征表示，输入到图卷积网络的线性层，得到文本句的情感极性。实现更好的关联方面词与意见词，提高情感分类的准确性。
-
公开(公告)号：CN115907144A
公开(公告)日：2023-04-04
申请号：CN202211452853.X
申请日：2022-11-21
摘要： 本发明公开了一种事件的预测方法、装置、终端设备以及存储介质，所述方法包括：获取事件执行人第一历史事件信息并建若干第一历史事件四元组，将各第一历史事件四元组输入到预设的事件预测模型，生成未来事件预测结果，在模型训练时，将第二历史时段内每一历史时刻下人物的自身属性信息和人物关系进行平均池化处理，生成各个历史时刻下的人物静态知识图谱，根据多头注意力机制生成历史事件动态信息，生成历史事件动态信息，计算得到各个人物在双曲空间中所对应的坐标点与原点的双曲距离并生成若干未来事件四元组。本发明解决了在预测未来可能发生的事件时，对时间信息处理不充分，无法反映事件间一环扣一环的衔接性技术问题。
-
公开(公告)号：CN115599927A
公开(公告)日：2023-01-13
申请号：CN202211396787.9
申请日：2022-11-08
IPC分类号： G06F16/36 , G06F16/31 , G06F40/126 , G06N3/04
摘要： 本发明公开了一种基于度量学习的时序知识图谱补全方法及系统，包括：将若干个候选尾实体分别填入待补全三元组，获得若干个待评估四元组；根据第一头实体和所有候选尾实体的所有邻居实体、第一实体关系、以及第一时序信息，对第一头实体和候选尾实体进行实时编码，获得头实体编码结果和尾实体编码结果，并编码得到时序知识图谱中样本数据集对应的四元组编码结果；利用度量学习机制，结合所有编码结果，对各待评估四元组进行相似度评分排序，并根据排序结果确定待补全三元组对应的第一尾实体。本发明根据待补全三元组内的第一实体关系和第一时序信息，并基于少量样本数据，筛选得到第一尾实体，使得能够在保证补全效果的同时，减少整体运算数据。
-
-
-
-
-
-
-
-
-
搜索结果
12 条记录 (耗时 0.059 秒)
