CN110956044A - 一种基于注意力机制的司法场景用文案输入识别分类方法 - Google Patents
一种基于注意力机制的司法场景用文案输入识别分类方法 Download PDFInfo
- Publication number
- CN110956044A CN110956044A CN201911214543.2A CN201911214543A CN110956044A CN 110956044 A CN110956044 A CN 110956044A CN 201911214543 A CN201911214543 A CN 201911214543A CN 110956044 A CN110956044 A CN 110956044A
- Authority
- CN
- China
- Prior art keywords
- text
- features
- attention
- attention mechanism
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 230000007774 longterm Effects 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公布了文案输入识别分类技术领域的一种基于注意力机制的司法场景用文案输入识别分类方法,具体步骤为:首先获取文本数据集,并对其构建语义扩展矩阵,对预处理后的文本进行特征选择,组成文本数据集的特征空间,将嵌入式矩阵中的数据导入注意力机制模块的注意力机制权重模型、双层LSTM神经网络层和CNN模块中,将不同维度的数据进行拼接融合,处理后的数据导入Softmax分类器进行归一化处理,使用全局长期依赖关注局部语义特征,可以去除冗余或者不相关特征,提高文本分类效率,将提取的特征进行融合,能够丰富、细致地提取文本语料中的深度语义特征,提高了模型对司法短文本特征的识别能力,提高对司法文案文本的识别分类效率。
Description
技术领域
本发明涉及文案输入识别分类技术领域,具体为一种基于注意力机制的司法场景用文案输入识别分类方法。
背景技术
搜索引擎技术是近些年来互联网发展中出现的一项新技术,其应用的目的是帮助互联网用户在浩如烟海的信息中快速地找到并显示其所需信息,法律搜索引擎可以帮助用户在海量司法库中快速地找到并显示其所需信息,司法文本类型细分种类繁多,说白了,搜索引擎就是一种分类手段,文本分类技术可以识别出用户想要查询的司法文本类型,再通过搜索引擎中的倒排索引等排序技术返回用户想要的结果,在此过程中,用户输入文本存在模糊性、多意图性和不规范性等特点,所以输入文本不规范、用户输入不规范等输入方式多样化使文本中出现不规则特征词和分词词典无法识别的未登录词,传统的文本分类理解不了用户查询意图的主次,增加了分类的难度,并且在一定程度上导致无法准确的获取短文本的特征表示,分类的效率不高,因此,我们提出一种基于注意力机制的司法场景用文案输入识别分类方法。
发明内容
本发明的目的在于提供一种基于注意力机制的司法场景用文案输入识别分类方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于注意力机制的司法场景用文案输入识别分类方法,其具体步骤为:
A:获取文本数据集,对收集得到的司法文本数据进行数据预处理,将每一个词进行向量化并表示并组成映射矩阵,然后利用利用映射矩阵和权值为1的核矩阵进行一维卷积运算,检测出短文本中潜在的多尺度候选语义单元;
B:构建语义扩展矩阵,作为短文本的扩展信息,同时获取短文本中文本序列的语义特征,将短文本的语义特征向量赋予分类器,对短文本的类别进行预测;
C:对预处理后的文本进行特征选择,组成文本数据集的特征空间,对特征空间中的数据进行整理构建得到词汇表,并进行数据向量化形成嵌入式矩阵,并利用自身注意力机制进行自我学习,得到自我关注向量;
D:将嵌入式矩阵中的数据导入注意力机制模块的注意力机制权重模型、双层LSTM神经网络层和CNN模块中,将不同维度的数据进行拼接融合;
E:集成融合后的数据导入到全连接层中进行处理,处理后的数据导入Softmax分类器进行归一化处理,输出样本属于各个类别的概率,以最大值对应的类别,作为文本类别识别的结果,即可通过文本分类模型实现司法文本的快速分类。
步骤B中使用双向长短期记忆网络来捕获文本序列的全局长期依赖,同时,使用多尺度卷积神经网络提取文本序列的局部语义特征。
步骤C中自我关注向量包括问题文本的自我关注向量和答案文本的自我关注向量,且利用co-attention协同注意力机制明确问题的意图,其中包括获取问题—答案视图、从不同的视角理解问题及输出问题向量。
步骤D中的注意力机制权重模型将提取的全局长期依赖和每个位置的局部语义特征作为输入,用局部语义特征关注全局长期依赖产生局部指导的全局注意力权重,进行加权得到加权全局特征,用全局长期依赖关注局部语义特征产生全局指导的局部注意力权重,进行加权得到加权局部特征。
步骤D中的LSTM由于自身以阵列的形式形成神经网络层,十分适合处理文本向量这种一维的序列化数据,双层的LSTM可以比较充分地挖掘出文本的序列化特征,CNN比较适合用来提取文本不同卷积核尺寸下的文本粒度特征。
双层的LSTM所提取的特征对注意力算法模块提取的特征信息进行强化,将双层LSTM提取出的特征与注意力机制提取的特征进行融合,可以增强注意力机制所提文本特征包含文本语义特征信息的丰富程度,LSTM与注意力机制的输出融合结果与CNN的提取特征进行融合可以进一步强化其特征信息丰富度与全面性,能够丰富、细致地提取文本语料中的深度语义特征。
与现有技术相比,本发明的有益效果是:
1、该发明保留了词的特征信息,取文本序列的局部信息和全局信息来建模文本表示,获得较为全面的文本特征,用双向长短期记忆网络提取全局特征,用卷积神经网络提取局部特征,并显式地学习这两种特征之间的交互,从而得到更好的文本全局和局部特征表示,同时,使用局部语义特征关注全局长期依赖,可以建模文本序列的组合语义,得到丰富的复杂语义特征,另外,使用全局长期依赖关注局部语义特征,可以去除冗余或者不相关特征,便于提高文本分类的精度;
2、采用自身注意力机制和协同注意力机制的协同配合提供了不同的视角去审视用户的输入文本,能够消除词级上存在的一词多义问题,用以学习高质量的向量表示,便于更快的除去冗杂的文本语义信息,提高文本分类效率;
3、LSTM由于自身以阵列的形式形成神经网络层,十分适合处理文本向量这种一维的序列化数据,双层的LSTM可以比较充分地挖掘出文本的序列化特征,CNN比较适合用来提取文本不同卷积核尺寸下的文本粒度特征,双层的LSTM所提取的特征对注意力算法模块提取的特征信息进行强化,将双层LSTM提取出的特征与注意力机制提取的特征进行融合,可以增强注意力机制所提文本特征包含文本语义特征信息的丰富程度,LSTM与注意力机制的输出融合结果与CNN的提取特征进行融合可以进一步强化其特征信息丰富度与全面性,能够丰富、细致地提取文本语料中的深度语义特征,从而提高了模型对司法短文本特征的识别能力。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
一种基于注意力机制的司法场景用文案输入识别分类方法,其具体步骤为:
A:获取文本数据集,对收集得到的司法文本数据进行数据预处理,将每一个词进行向量化并表示并组成映射矩阵,然后利用利用映射矩阵和权值为1的核矩阵进行一维卷积运算,检测出短文本中潜在的多尺度候选语义单元;
B:构建语义扩展矩阵,作为短文本的扩展信息,同时获取短文本中文本序列的语义特征,将短文本的语义特征向量赋予分类器,对短文本的类别进行预测;
C:对预处理后的文本进行特征选择,组成文本数据集的特征空间,对特征空间中的数据进行整理构建得到词汇表,并进行数据向量化形成嵌入式矩阵,并利用自身注意力机制进行自我学习,得到自我关注向量;
D:将嵌入式矩阵中的数据导入注意力机制模块的注意力机制权重模型、双层LSTM神经网络层和CNN模块中,将不同维度的数据进行拼接融合;
E:集成融合后的数据导入到全连接层中进行处理,处理后的数据导入Softmax分类器进行归一化处理,输出样本属于各个类别的概率,以最大值对应的类别,作为文本类别识别的结果,即可通过文本分类模型实现司法文本的快速分类。
其中,步骤B中使用双向长短期记忆网络来捕获文本序列的全局长期依赖,同时,使用多尺度卷积神经网络提取文本序列的局部语义特征,取文本序列的局部信息和全局信息来建模文本表示,获得较为全面的文本特征,用双向长短期记忆网络提取全局特征,用卷积神经网络提取局部特征,并显式地学习这两种特征之间的交互,从而得到更好的文本全局和局部特征表示,同时,使用局部语义特征关注全局长期依赖,可以建模文本序列的组合语义,得到丰富的复杂语义特征,另外,使用全局长期依赖关注局部语义特征,可以去除冗余或者不相关特征,便于提高文本分类的精度;
步骤C中自我关注向量包括问题文本的自我关注向量和答案文本的自我关注向量,且利用co-attention协同注意力机制明确问题的意图,其中包括获取问题—答案视图、从不同的视角理解问题及输出问题向量,采用自身注意力机制和协同注意力机制的协同配合提供了不同的视角去审视用户的输入文本,能够消除词级上存在的一词多义问题,用以学习高质量的向量表示,便于更快的除去冗杂的文本语义信息,提高文本分类效率;
步骤D中的注意力机制权重模型将提取的全局长期依赖和每个位置的局部语义特征作为输入,用局部语义特征关注全局长期依赖产生局部指导的全局注意力权重,进行加权得到加权全局特征,用全局长期依赖关注局部语义特征产生全局指导的局部注意力权重,进行加权得到加权局部特征;
步骤D中的LSTM由于自身以阵列的形式形成神经网络层,十分适合处理文本向量这种一维的序列化数据,双层的LSTM可以比较充分地挖掘出文本的序列化特征,CNN比较适合用来提取文本不同卷积核尺寸下的文本粒度特征;
双层的LSTM所提取的特征对注意力算法模块提取的特征信息进行强化,将双层LSTM提取出的特征与注意力机制提取的特征进行融合,可以增强注意力机制所提文本特征包含文本语义特征信息的丰富程度,LSTM与注意力机制的输出融合结果与CNN的提取特征进行融合可以进一步强化其特征信息丰富度与全面性,能够丰富、细致地提取文本语料中的深度语义特征。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于注意力机制的司法场景用文案输入识别分类方法,其特征在于:其具体步骤为:
A:获取文本数据集,对收集得到的司法文本数据进行数据预处理,将每一个词进行向量化并表示并组成映射矩阵,然后利用利用映射矩阵和权值为1的核矩阵进行一维卷积运算,检测出短文本中潜在的多尺度候选语义单元;
B:构建语义扩展矩阵,作为短文本的扩展信息,同时获取短文本中文本序列的语义特征,将短文本的语义特征向量赋予分类器,对短文本的类别进行预测;
C:对预处理后的文本进行特征选择,组成文本数据集的特征空间,对特征空间中的数据进行整理构建得到词汇表,并进行数据向量化形成嵌入式矩阵,并利用自身注意力机制进行自我学习,得到自我关注向量;
D:将嵌入式矩阵中的数据导入注意力机制模块的注意力机制权重模型、双层LSTM神经网络层和CNN模块中,将不同维度的数据进行拼接融合;
E:集成融合后的数据导入到全连接层中进行处理,处理后的数据导入Softmax分类器进行归一化处理,输出样本属于各个类别的概率,以最大值对应的类别,作为文本类别识别的结果,即可通过文本分类模型实现司法文本的快速分类。
2.根据权利要求1所述的一种基于注意力机制的司法场景用文案输入识别分类方法,其特征在于:步骤B中使用双向长短期记忆网络来捕获文本序列的全局长期依赖,同时,使用多尺度卷积神经网络提取文本序列的局部语义特征。
3.根据权利要求1所述的一种基于注意力机制的司法场景用文案输入识别分类方法,其特征在于:步骤C中自我关注向量包括问题文本的自我关注向量和答案文本的自我关注向量,且利用co-attention协同注意力机制明确问题的意图,其中包括获取问题—答案视图、从不同的视角理解问题及输出问题向量。
4.根据权利要求1所述的一种基于注意力机制的司法场景用文案输入识别分类方法,其特征在于:步骤D中的注意力机制权重模型将提取的全局长期依赖和每个位置的局部语义特征作为输入,用局部语义特征关注全局长期依赖产生局部指导的全局注意力权重,进行加权得到加权全局特征,用全局长期依赖关注局部语义特征产生全局指导的局部注意力权重,进行加权得到加权局部特征。
5.根据权利要求4所述的一种基于注意力机制的司法场景用文案输入识别分类方法,其特征在于:步骤D中的LSTM由于自身以阵列的形式形成神经网络层,十分适合处理文本向量这种一维的序列化数据,双层的LSTM可以比较充分地挖掘出文本的序列化特征,CNN比较适合用来提取文本不同卷积核尺寸下的文本粒度特征。
6.根据权利要求5所述的一种基于注意力机制的司法场景用文案输入识别分类方法,其特征在于:双层的LSTM所提取的特征对注意力算法模块提取的特征信息进行强化,将双层LSTM提取出的特征与注意力机制提取的特征进行融合,可以增强注意力机制所提文本特征包含文本语义特征信息的丰富程度,LSTM与注意力机制的输出融合结果与CNN的提取特征进行融合可以进一步强化其特征信息丰富度与全面性,能够丰富、细致地提取文本语料中的深度语义特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911214543.2A CN110956044A (zh) | 2019-12-02 | 2019-12-02 | 一种基于注意力机制的司法场景用文案输入识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911214543.2A CN110956044A (zh) | 2019-12-02 | 2019-12-02 | 一种基于注意力机制的司法场景用文案输入识别分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956044A true CN110956044A (zh) | 2020-04-03 |
Family
ID=69979386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911214543.2A Pending CN110956044A (zh) | 2019-12-02 | 2019-12-02 | 一种基于注意力机制的司法场景用文案输入识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956044A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881262A (zh) * | 2020-08-06 | 2020-11-03 | 重庆邮电大学 | 基于多通道神经网络的文本情感分析方法 |
CN112560503A (zh) * | 2021-02-19 | 2021-03-26 | 中国科学院自动化研究所 | 融合深度特征和时序模型的语义情感分析方法 |
CN112801059A (zh) * | 2021-04-07 | 2021-05-14 | 广东众聚人工智能科技有限公司 | 图卷积网络系统和基于图卷积网络系统的3d物体检测方法 |
CN113589957A (zh) * | 2021-07-30 | 2021-11-02 | 广州赛宸信息技术有限公司 | 一种快速输入法律法规专业词语的方法及系统 |
CN116108171A (zh) * | 2022-12-19 | 2023-05-12 | 中国邮政速递物流股份有限公司广东省分公司 | 基于ai循环神经网络深度学习技术的司法材料处理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834747A (zh) * | 2015-05-25 | 2015-08-12 | 中国科学院自动化研究所 | 基于卷积神经网络的短文本分类方法 |
CN108717439A (zh) * | 2018-05-16 | 2018-10-30 | 哈尔滨理工大学 | 一种基于注意力机制和特征强化融合的中文文本分类方法 |
CN109902293A (zh) * | 2019-01-30 | 2019-06-18 | 华南理工大学 | 一种基于局部与全局互注意力机制的文本分类方法 |
CN110413783A (zh) * | 2019-07-23 | 2019-11-05 | 银江股份有限公司 | 一种基于注意力机制的司法文本分类方法及系统 |
-
2019
- 2019-12-02 CN CN201911214543.2A patent/CN110956044A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834747A (zh) * | 2015-05-25 | 2015-08-12 | 中国科学院自动化研究所 | 基于卷积神经网络的短文本分类方法 |
CN108717439A (zh) * | 2018-05-16 | 2018-10-30 | 哈尔滨理工大学 | 一种基于注意力机制和特征强化融合的中文文本分类方法 |
CN109902293A (zh) * | 2019-01-30 | 2019-06-18 | 华南理工大学 | 一种基于局部与全局互注意力机制的文本分类方法 |
CN110413783A (zh) * | 2019-07-23 | 2019-11-05 | 银江股份有限公司 | 一种基于注意力机制的司法文本分类方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881262A (zh) * | 2020-08-06 | 2020-11-03 | 重庆邮电大学 | 基于多通道神经网络的文本情感分析方法 |
CN111881262B (zh) * | 2020-08-06 | 2022-05-20 | 重庆邮电大学 | 基于多通道神经网络的文本情感分析方法 |
CN112560503A (zh) * | 2021-02-19 | 2021-03-26 | 中国科学院自动化研究所 | 融合深度特征和时序模型的语义情感分析方法 |
CN112560503B (zh) * | 2021-02-19 | 2021-07-02 | 中国科学院自动化研究所 | 融合深度特征和时序模型的语义情感分析方法 |
US11194972B1 (en) | 2021-02-19 | 2021-12-07 | Institute Of Automation, Chinese Academy Of Sciences | Semantic sentiment analysis method fusing in-depth features and time sequence models |
CN112801059A (zh) * | 2021-04-07 | 2021-05-14 | 广东众聚人工智能科技有限公司 | 图卷积网络系统和基于图卷积网络系统的3d物体检测方法 |
CN113589957A (zh) * | 2021-07-30 | 2021-11-02 | 广州赛宸信息技术有限公司 | 一种快速输入法律法规专业词语的方法及系统 |
CN116108171A (zh) * | 2022-12-19 | 2023-05-12 | 中国邮政速递物流股份有限公司广东省分公司 | 基于ai循环神经网络深度学习技术的司法材料处理系统 |
CN116108171B (zh) * | 2022-12-19 | 2023-10-31 | 中国邮政速递物流股份有限公司广东省分公司 | 基于ai循环神经网络深度学习技术的司法材料处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298037B (zh) | 基于增强注意力机制的卷积神经网络匹配的文本识别方法 | |
CN110096570B (zh) | 一种应用于智能客服机器人的意图识别方法及装置 | |
CN108694225B (zh) | 一种图像搜索方法、特征向量的生成方法、装置及电子设备 | |
CN108628828B (zh) | 一种基于自注意力的观点及其持有者的联合抽取方法 | |
CN110956044A (zh) | 一种基于注意力机制的司法场景用文案输入识别分类方法 | |
Wang et al. | Deep cascaded cross-modal correlation learning for fine-grained sketch-based image retrieval | |
CN112256845A (zh) | 意图识别方法、装置、电子设备和计算机可读存储介质 | |
CN112131876A (zh) | 一种基于相似度确定标准问题的方法及系统 | |
Liu et al. | Open intent discovery through unsupervised semantic clustering and dependency parsing | |
CN113919366A (zh) | 一种面向电力变压器知识问答的语义匹配方法和装置 | |
CN114647713A (zh) | 基于虚拟对抗的知识图谱问答方法、设备及存储介质 | |
CN114764566B (zh) | 用于航空领域的知识元抽取方法 | |
CN112988970A (zh) | 一种服务于智能问答系统的文本匹配算法 | |
CN115544303A (zh) | 用于确定视频的标签的方法、装置、设备及介质 | |
CN115713072A (zh) | 一种基于提示学习和上下文感知的关系类别推断系统及方法 | |
Celikyilmaz et al. | A graph-based semi-supervised learning for question-answering | |
CN116304020A (zh) | 一种基于义原分析和跨度特征的工业文本实体抽取方法 | |
CN116842194A (zh) | 一种电力语义知识图谱系统及方法 | |
CN117391051B (zh) | 一种融合情感的共同注意网络多模态虚假新闻检测方法 | |
Parvin et al. | Transformer-based local-global guidance for image captioning | |
Al-Tameemi et al. | Interpretable multimodal sentiment classification using deep multi-view attentive network of image and text data | |
CN113486143A (zh) | 一种基于多层级文本表示及模型融合的用户画像生成方法 | |
CN110765781A (zh) | 一种领域术语语义知识库人机协同构建方法 | |
CN113191381B (zh) | 一种基于交叉知识的图像零次分类模型及其分类方法 | |
CN111858885B (zh) | 一种关键词分离的用户问题意图识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |
|
RJ01 | Rejection of invention patent application after publication |