-
公开(公告)号：CN118862874A
公开(公告)日：2024-10-29
申请号：CN202410971950.2
申请日：2024-07-19
申请人： 郑州大学
IPC分类号： G06F40/279 , G06F40/211 , G06F40/30 , G06F40/126 , G06F16/35 , G06N3/042 , G06N3/0442 , G06N3/047 , G06N7/01
摘要： 本发明公开了一种融合图注意力机制和依存句法分析的事件抽取方法，包括：ERNIE层通过将输入句子编码为向量序列，负责提取初步的语义表示；其次，BiGGAT层继续深化语义特征的提取，包括使用BiGRU模块来捕获词汇的上下文信息和长距离依赖，以及通过依存边信息嵌入和图注意力网络模块来处理和理解句子的句法依存结构，赋予关键节点不同的注意力权重，以精细化理解句子结构和语义；最终，CRF层对序列进行标注，综合考虑上下文信息和依赖关系来预测每事件的触发词类型。
-
公开(公告)号：CN118939767A
公开(公告)日：2024-11-12
申请号：CN202410967273.7
申请日：2024-07-18
申请人： 郑州大学
IPC分类号： G06F16/332 , G06F16/35 , G06F18/2411 , G06N3/0442 , G06N3/08
摘要： 本发明公开了一种事件隐式关系抽取方法，来进行因果关系分类和回归识别。该模型结合双向长短记忆网络和图卷积网络进行融合特征提取，并将中心触发词的距离信息整合到语义特征中，以丰富语义特征的提取。实验表明，本文所提出的模型在隐式关系抽取任务中的表现性能更佳。包括：Embedding层将文本转换为上下文语义表示向量；特征提取层使用双向长短期记忆网络(BiLSTM)和图卷积网络(GCN)进行联合特征抽取，BiLSTM负责捕获文本序列中的上下文信息，在此基础上利用GCN构建事件元素之间的图表示，充分利用图结构信息捕获词汇级语义信息，理解词汇之间的复杂关系；Attenton层采用注意力机制进一步增强模型对关键信息的关注能力，从文本中抽取出事件之间的复杂关系，Softmax输出层使用Softmax模型进行分类并输出结果。
-
公开(公告)号：CN116955647A
公开(公告)日：2023-10-27
申请号：CN202310815731.0
申请日：2023-07-05
申请人： 郑州大学
IPC分类号： G06F16/36 , G06F16/9535 , G06N3/0464 , G06N3/08 , G06F16/9538
摘要： 本发明涉及人工智能领域中推荐系统方向，公开了一种基于知识图谱和神经网络的推荐算法。算法分为四部分：知识图谱构建、知识图谱嵌入、特征信息传播和推荐。知识图谱构建部分，分别构建协同知识图谱、用户知识图谱和项目知识图谱。知识图谱嵌入部分，引入多尺度空洞卷积捕获实体在多个尺度空间下的特征信息，使用残差网络技术防止卷积过程中丢失信息，利用注意力机制对多尺度卷积结果进行聚合，完成实体和关系的嵌入表示。特征信息传播部分，利用多头图注意力网络和衰减机制传播并聚合实体邻域信息。推荐部分，根据用户和项目表示的内积计算交互概率，生成推荐列表。本推荐算法具有良好的可解释性，能够更好地捕获用户偏好并提高推荐的准确率。
-
-
搜索结果
3 条记录 (耗时 0.019 秒)
