CN111309871A - 一种基于文本语义分析需求与输出成果之间匹配度的方法 - Google Patents
一种基于文本语义分析需求与输出成果之间匹配度的方法 Download PDFInfo
- Publication number
- CN111309871A CN111309871A CN202010220922.9A CN202010220922A CN111309871A CN 111309871 A CN111309871 A CN 111309871A CN 202010220922 A CN202010220922 A CN 202010220922A CN 111309871 A CN111309871 A CN 111309871A
- Authority
- CN
- China
- Prior art keywords
- project
- model
- matching degree
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 9
- 238000002372 labelling Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000002790 cross-validation Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 10
- 238000013140 knowledge distillation Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 235000019580 granularity Nutrition 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 26
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于文本语义分析需求与输出成果之间匹配度的方法，包括以下步骤：步骤1.数据集标注；步骤2.技术文档预处理；步骤3.单参数模型训练及预测；步骤4.多参数模型预测结果集成；本发明的有益效果：首次将深度学习与NLP技术应用于企业项目管理的项目关联度计算领域，根据项目需求及成果描述计算两个项目之间的关联匹配度，有效降低了关联项目定位的难度，同时也可以帮助需求方快速、高效地定位适配自己需求的优质项目，大幅度缩减用于成果筛选匹配方面的时间及资源投入，凭借已有项目成果技术文档与项目申报指南的文本数据计算项目之间的关联匹配程度，进而辅助大型企业在项目招投标环节中筛选高匹配度的优质项目。
Description
技术领域：
本发明属于不限定行业的项目需求与成果匹配度计算领域，特别涉及一种基于文本语义分析需求与输出成果之间匹配度的方法。
背景技术：
项目关联度计算是企业项目管理的重要环节之一，尤其像电网这种已有项目成果众多且每年项目申报数巨大的国有企业。如何在已有预研项目与科技项目申报指南中的待申报项目之间进行关联度计算，理清项目之间的匹配关系，依据申报指南中特定研究课题检索出众多预研项目中最符合需求的项目进行招投标，有效避免研究需求与预研项目的研究方向不一致、研究目的不统一问题，降低各子公司与总公司在项目申报环节中的各种出入，保证总公司的研究需求能够直接、有效地落实到各个研究单位并付诸研究，实现既定的科研要求并应用于企业发展。如果不能有效地计算申报指南与预研项目之间地匹配关系，则需要在申报前人工判定二者关系，确定是否满足申报要求，这在电网这种大型国有企业无疑是一种巨大的资源消耗；同时，人工判定受限于当事人从业经历、专业知识的限制，容易出现项目关系认定不清晰，研究目的不统一的问题。因此，站在企业项目管理的角度，研究预研项目与待申报项目之间的匹配关系是电网科研项目申报中面临的首要任务。
目前，有关项目间关联匹配度计算的研究还比较少，这主要是因为：第一、科研项目一般涉及高新技术、专业领域知识比较多，科研项目间关联度计算对研究者专业知识具有较高要求；第二、科研项目研究周期普遍较长且内容庞杂，如何从一个独特的研究视角进行切入一直是困扰相关研究者的重要问题；第三、对于科研项目关联度计算的研究必须要求某垂直领域的大量项目资料信息，这对于一般企业的项目资料拥有量是一个巨大考验。
发明内容：
本发明的目的就在于为了解决上述问题而提供一种基于文本语义分析需求与输出成果之间匹配度的方法，解决了目前现有的问题。
为了解决上述问题，本发明提供了一种技术方案：
一种基于文本语义分析需求与输出成果之间匹配度的方法，包括以下步骤：
步骤1.数据集标注：使用基于项目需求描述、成果描述及项目标题的文本信息，对比总结两个项目的关联匹配程度并进行四分类标注，构造用于项目匹配度计算建模的标注数据集；
步骤2.技术文档预处理：构造Bert模型输入文本，鉴于Bert模型输入序列长度及计算资源的限制，此处基于项目名称使用Rough-L算法以句为单位对项目的需求及成果描述文本进行核心信息提取，每一个项目的输入文本由A|B两部分构成，A为项目名称，B为项目核心信息部分；
步骤3.单参数模型训练及预测：基于知识蒸馏、交叉验证及集成学习的思想对Bert模型进行部分改进，并基于标注好的数据进行模型建模、调优及分类标签预测，完成从原始数据到单模型关联度预测结果输出的任务；
步骤4.多参数模型预测结果集成：根据改进模型中涉及到的“温度”调节参数T及交叉验证折数K的不同取值组合训练多个模型，并根据表现效果筛选质量较好的5个模型进行多模型概率集成获取最终预测结果。
作为优选，所述步骤1首先使用电网领域已有项目成果的技术文档及每年新发布的科技项目申报指南作为初始数据来源，根据项目所属子领域及涉及到的关键技术类型，通过对两部分文本数据的标题及核心内容进行人工筛选总结，判定成果与需求的匹配关系并进行无相关、弱相关、较强相关和强相关四分类标注，构造双向匹配度标注数据集。
作为优选，所述步骤2针对原始文档数据，基于其文档标题或项目名称使用Rough-L算法以句为单位对文档内容进行核心信息提取，扩充训练集的语义含义及信息覆盖度，并以此为辅助确定包含“成果标题”、“成果核心信息”、“需求标题”、“需求核心信息”四部分内容的双输入Sentence-1和Sentence-2数据集格式，每一个Sentence由A|B两部分构成，A为项目名称，B为项目成果描述或需求描述的核心信息部分。
作为优选，所述步骤3基于知识蒸馏、交叉验证及集成学习的思想对Bert模型进行部分改进，同时在Bert模型末端加入GRU网络层，以交叉验证输出的K个cls向量为输入捕获Sentence-1与Sentence-2之间的关联信息。首先依据知识蒸馏中用到的保存不同类别之间相似性大小的做法在Softmax层中增加温度参数T，进一步改进传统Softmax函数中包含类别间信息量较小的问题，使预测数据属于某一类别的概率根据项目匹配度而呈现逐步变化的效果；然后依据交叉验证及集成学习的思想将训练单一模型的任务变为训练5个交叉验证子模型任务，以此来降低模型对于单一测试数据的过拟合情况；预测阶段根据上述改进后的Softmax函数对每一类别的输出概率进行5个子模型的集成预测，输出最终的预测结果。
作为优选，所述步骤4根据上述介绍的不同的“温度”调节参数T及交叉验证折数K分别训练多个模型，从不同粒度上对项目匹配度进行类别预测，然后针对这些模型进行筛选，选用其中预测效果最佳的5个模型进行概率集成，即对每个模型输出的类别预测概率进行等权平均，再根据平均后的概率值判定预测数据最终属于无相关、弱相关、较强相关和强相关中的四分类其中一类。
本发明的有益效果：
1、开创了一个新的研究视角，即仅基于项目成果技术文档与项目申报指南的文本数据计算项目之间的关联匹配程度；
2、首次将深度学习与NLP技术应用于企业项目管理的项目关联度计算领域；
3、在模型结构改造、输入数据结构构造方面都做了比较有意义的探索及尝试；
首次将深度学习与NLP技术应用于企业项目管理的项目关联度计算领域，根据项目需求及成果描述计算两个项目之间的关联匹配度，有效降低了关联项目定位的难度，同时也可以帮助需求方快速、高效地定位适配自己需求的优质项目，大幅度缩减用于成果筛选匹配方面的时间及资源投入，在无法深入项目研究及招投标环节的窘境下，仅凭借已有项目成果技术文档与项目申报指南的文本数据计算项目之间的关联匹配程度，进而辅助大型企业在项目招投标环节中筛选高匹配度的优质项目。
附图说明：
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1是本发明的系统执行流程图；
图2是本发明的Bert模型输入数据结构图；
图3是本发明的Bert改进模型框架结构图；
图4是本发明的交叉验证改进方案图。
具体实施方式：
如图1-4所示，本具体实施方式采用以下技术方案：一种基于文本语义分析需求与输出成果之间匹配度的方法，包括以下步骤：
一种基于文本语义分析需求与输出成果之间匹配度的方法，包括以下步骤：
步骤1.数据集标注：使用基于项目需求描述、成果描述及项目标题的文本信息，对比总结两个项目的关联匹配程度并进行四分类标注，构造用于项目匹配度计算建模的标注数据集；
步骤2.技术文档预处理：构造Bert模型输入文本，鉴于Bert模型输入序列长度及计算资源的限制，此处基于项目名称使用Rough-L算法以句为单位对项目的需求及成果描述文本进行核心信息提取，每一个项目的输入文本由A|B两部分构成，A为项目名称，B为项目核心信息部分；
步骤3.单参数模型训练及预测：基于知识蒸馏、交叉验证及集成学习的思想对Bert模型进行部分改进，并基于标注好的数据进行模型建模、调优及分类标签预测，完成从原始数据到单模型关联度预测结果输出的任务；
步骤4.多参数模型预测结果集成：根据改进模型中涉及到的“温度”调节参数T及交叉验证折数K的不同取值组合训练多个模型，并根据表现效果筛选质量较好的5个模型进行多模型概率集成获取最终预测结果。
其中，具体参考附图1所示，所述步骤1使用基于项目需求描述、成果描述及项目标题的文本信息，对比总结两个项目的关联匹配程度并进行四分类标注，构造用于项目匹配度计算建模的标注数据集；
使用电网领域已有项目成果的技术文档及每年发布的科技项目申报指南作为初始数据来源，根据项目所属子领域及涉及到的关键技术类型，通过对两部分文本数据的标题及核心内容进行人工筛选总结，判定成果与需求的匹配关系并进行四分类标注(无相关、弱相关、较强相关和强相关)，构造双向匹配度标注数据集。
其中，具体参考附图2所示，所述所述步骤2中构造Bert模型输入文本，基于项目名称使用Rough-L算法以句为单位对项目的需求及成果描述文本进行核心信息提取，每一个项目的输入文本由A|B两部分构成，A为项目名称，B为项目核心信息部分(Rough-L算法得出)；
针对原始文档数据，基于其文档标题或项目名称使用Rough-L算法以句为单位对文档内容进行核心信息提取，扩充训练集的语义含义及信息覆盖度，并以此为辅助确定包含“成果标题”、“成果核心信息”、“需求标题”、“需求核心信息”四部分内容的双输入(Sentence-1和Sentence-2)数据集格式，每一个Sentence由A|B两部分构成，A为项目名称，B为项目成果描述或需求描述的核心信息部分(Rough-L算法得出)；
Rough-L算法：
Rough算法是一种用于自动摘要评价的方法，其基于摘要中n元组(N-gram)的共现信息来进行摘要质量评估。Rough-L是Rough算法的一种，其基于最长公共子序列共现性的精确度和召回率进行计算，它不需要连续匹配，且能够反映词序匹配信息。
其中：
X和Y分别代表参考摘要和候选摘要，本发明中代表文档标题及候选语句；
m和n分别代表标准摘要和自动摘要的长度；
LCS(X,Y)代表X和Y的最长公共子序列的长度；
Rlcs和Plcs分别代表召回率和准确率；
Flcs即是我们所说的Rough-L指标。
其中，具体参考附图3和附图4所示，所述步骤中基于知识蒸馏、交叉验证及集成学习的思想对Bert模型进行部分改进，并基于标注好的数据进行模型建模、调优及分类标签预测，完成从原始数据到单模型关联度预测结果输出的任务。
基于知识蒸馏、交叉验证及集成学习的思想对Bert模型进行部分改进，同时在Bert模型末端加入GRU网络层，以交叉验证输出的K个cls向量为输入捕获Sentence-1与Sentence-2之间的关联信息。首先依据知识蒸馏中用到的保存不同类别之间相似性大小的做法在Softmax层中增加温度参数T，进一步改进传统Softmax函数中包含类别间信息量较小的问题，使预测数据属于某一类别的概率根据项目匹配度而呈现逐步变化的效果；然后依据交叉验证及集成学习的思想将训练单一模型的任务变为训练5个交叉验证子模型任务，以此来降低模型对于单一测试数据的过拟合情况；预测阶段根据上述改进后的Softmax函数对每一类别的输出概率进行5个子模型的集成预测，输出最终的预测结果；
Softmax层改进方案：
其中：
zi代表原始Softmax函数输入的每个类别的预测值；
qi代表改进后Softmax函数输出的每个类别的预测概率；
T代表针对类别输出概率引入的“温度”调节参数。
其中，所述步骤4中根据改进模型中涉及到的“温度”调节参数T及交叉验证折数K的不同取值组合训练多个模型，并根据表现效果筛选质量较好的5个模型进行多模型概率集成获取最终预测结果。
根据上述介绍的不同的“温度”调节参数T及交叉验证折数K分别训练多个模型，从不同粒度上对项目匹配度进行类别预测，然后针对这些模型进行筛选，选用其中预测效果最佳的5个模型进行概率集成，即对每个模型输出的类别预测概率进行等权平均，再根据平均后的概率值判定预测数据最终属于四分类(无相关、弱相关、较强相关和强相关)中的哪一类，完成仅基于技术文档的项目需求与成果匹配度计算。
本发明的有益效果：
1、开创了一个新的研究视角，即仅基于项目成果技术文档与项目申报指南的文本数据计算项目之间的关联匹配程度；
2、首次将深度学习与NLP技术应用于企业项目管理的项目关联度计算领域；
3、在模型结构改造、输入数据结构构造方面都做了比较有意义的探索及尝试；
在无法深入项目研究及招投标环节的窘境下，仅凭借已有项目成果技术文档与项目申报指南的文本数据计算项目之间的关联匹配程度，进而辅助大型企业在项目招投标环节中筛选高匹配度的优质项目。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于文本语义分析需求与输出成果之间匹配度的方法，其特征在于，包括以下步骤：
步骤1.数据集标注：使用基于项目需求描述、成果描述及项目标题的文本信息，对比总结两个项目的关联匹配程度并进行四分类标注，构造用于项目匹配度计算建模的标注数据集；
步骤2.技术文档预处理：构造Bert模型输入文本，鉴于Bert模型输入序列长度及计算资源的限制，此处基于项目名称使用Rough-L算法以句为单位对项目的需求及成果描述文本进行核心信息提取，每一个项目的输入文本由A|B两部分构成，A为项目名称，B为项目核心信息部分；
步骤3.单参数模型训练及预测：基于知识蒸馏、交叉验证及集成学习的思想对Bert模型进行部分改进，并基于标注好的数据进行模型建模、调优及分类标签预测，完成从原始数据到单模型关联度预测结果输出的任务；
步骤4.多参数模型预测结果集成：根据改进模型中涉及到的“温度”调节参数T及交叉验证折数K的不同取值组合训练多个模型，并根据表现效果筛选质量较好的5个模型进行多模型概率集成获取最终预测结果。
2.根据权利要求1所述的一种基于文本语义分析需求与输出成果之间匹配度的方法，其特征在于：所述步骤1首先使用电网领域已有项目成果的技术文档及每年新发布的科技项目申报指南作为初始数据来源，根据项目所属子领域及涉及到的关键技术类型，通过对两部分文本数据的标题及核心内容进行人工筛选总结，判定成果与需求的匹配关系并进行无相关、弱相关、较强相关和强相关四分类标注，构造双向匹配度标注数据集。
3.根据权利要求1所述的一种基于文本语义分析需求与输出成果之间匹配度的方法，其特征在于：所述步骤2针对原始文档数据，基于其文档标题或项目名称使用Rough-L算法以句为单位对文档内容进行核心信息提取，扩充训练集的语义含义及信息覆盖度，并以此为辅助确定包含“成果标题”、“成果核心信息”、“需求标题”、“需求核心信息”四部分内容的双输入Sentence-1和Sentence-2数据集格式，每一个Sentence由A|B两部分构成，A为项目名称，B为项目成果描述或需求描述的核心信息部分。
4.根据权利要求1所述的一种基于文本语义分析需求与输出成果之间匹配度的方法，其特征在于：所述步骤3基于知识蒸馏、交叉验证及集成学习的思想对Bert模型进行部分改进，同时在Bert模型末端加入GRU网络层，以交叉验证输出的K个cls向量为输入捕获Sentence-1与Sentence-2之间的关联信息。首先依据知识蒸馏中用到的保存不同类别之间相似性大小的做法在Softmax层中增加温度参数T，进一步改进传统Softmax函数中包含类别间信息量较小的问题，使预测数据属于某一类别的概率根据项目匹配度而呈现逐步变化的效果；然后依据交叉验证及集成学习的思想将训练单一模型的任务变为训练5个交叉验证子模型任务，以此来降低模型对于单一测试数据的过拟合情况；预测阶段根据上述改进后的Softmax函数对每一类别的输出概率进行5个子模型的集成预测，输出最终的预测结果。
5.根据权利要求1所述的一种基于文本语义分析需求与输出成果之间匹配度的方法，其特征在于：所述步骤4根据上述介绍的不同的“温度”调节参数T及交叉验证折数K分别训练多个模型，从不同粒度上对项目匹配度进行类别预测，然后针对这些模型进行筛选，选用其中预测效果最佳的5个模型进行概率集成，即对每个模型输出的类别预测概率进行等权平均，再根据平均后的概率值判定预测数据最终属于无相关、弱相关、较强相关和强相关中的四分类其中一类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010220922.9A CN111309871B (zh) | 2020-03-26 | 2020-03-26 | 一种基于文本语义分析需求与输出成果之间匹配度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010220922.9A CN111309871B (zh) | 2020-03-26 | 2020-03-26 | 一种基于文本语义分析需求与输出成果之间匹配度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111309871A true CN111309871A (zh) | 2020-06-19 |
| CN111309871B CN111309871B (zh) | 2024-01-30 |
Family
ID=71160861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010220922.9A Active CN111309871B (zh) | 2020-03-26 | 2020-03-26 | 一种基于文本语义分析需求与输出成果之间匹配度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111309871B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418681A (zh) * | 2020-11-26 | 2021-02-26 | 北京上奇数字科技有限公司 | 产业发展的分析方法、装置、电子设备及存储介质 |
| CN112861543A (zh) * | 2021-02-04 | 2021-05-28 | 吴俊� | 一种面向研发供需描述文本撮合的深层语义匹配方法和系统 |
| CN112925506A (zh) * | 2020-11-27 | 2021-06-08 | 北京航空航天大学 | 一种检测软件需求间冲突的方法及计算机可读存储介质 |
| CN113269477A (zh) * | 2021-07-14 | 2021-08-17 | 北京邮电大学 | 一种科研项目查询评分模型训练方法、查询方法及装置 |
| CN114327378A (zh) * | 2022-03-15 | 2022-04-12 | 广州弘一信息科技股份有限公司 | 一种基于软件开发的项目管理系统 |
| CN117236754A (zh) * | 2023-09-12 | 2023-12-15 | 杭州湘云信息技术有限公司 | 高校科研数据管理方法、装置、计算机设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160155067A1 (en) * | 2014-11-20 | 2016-06-02 | Shlomo Dubnov | Mapping Documents to Associated Outcome based on Sequential Evolution of Their Contents |
| CN109918491A (zh) * | 2019-03-12 | 2019-06-21 | 焦点科技股份有限公司 | 一种基于知识库自学习的智能客服问句匹配方法 |
| CN110245229A (zh) * | 2019-04-30 | 2019-09-17 | 中山大学 | 一种基于数据增强的深度学习主题情感分类方法 |
| CN110298403A (zh) * | 2019-07-02 | 2019-10-01 | 郭刚 | 一种财经新闻中企业主体的情感分析方法和系统 |
| CN110348016A (zh) * | 2019-07-15 | 2019-10-18 | 昆明理工大学 | 基于句子关联注意力机制的文本摘要生成方法 |
| CN110852089A (zh) * | 2019-10-25 | 2020-02-28 | 国家电网有限公司 | 基于智能分词与深度学习的运维项目管理方法 |
| CN110866117A (zh) * | 2019-10-25 | 2020-03-06 | 西安交通大学 | 一种基于语义增强与多层次标签嵌入的短文本分类方法 |
| CN110889288A (zh) * | 2019-11-18 | 2020-03-17 | 量子数聚（北京）科技有限公司 | 中文实体链接方法以及装置、文本处理方法、设备、存储介质 |
-
2020
- 2020-03-26 CN CN202010220922.9A patent/CN111309871B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160155067A1 (en) * | 2014-11-20 | 2016-06-02 | Shlomo Dubnov | Mapping Documents to Associated Outcome based on Sequential Evolution of Their Contents |
| CN109918491A (zh) * | 2019-03-12 | 2019-06-21 | 焦点科技股份有限公司 | 一种基于知识库自学习的智能客服问句匹配方法 |
| CN110245229A (zh) * | 2019-04-30 | 2019-09-17 | 中山大学 | 一种基于数据增强的深度学习主题情感分类方法 |
| CN110298403A (zh) * | 2019-07-02 | 2019-10-01 | 郭刚 | 一种财经新闻中企业主体的情感分析方法和系统 |
| CN110348016A (zh) * | 2019-07-15 | 2019-10-18 | 昆明理工大学 | 基于句子关联注意力机制的文本摘要生成方法 |
| CN110852089A (zh) * | 2019-10-25 | 2020-02-28 | 国家电网有限公司 | 基于智能分词与深度学习的运维项目管理方法 |
| CN110866117A (zh) * | 2019-10-25 | 2020-03-06 | 西安交通大学 | 一种基于语义增强与多层次标签嵌入的短文本分类方法 |
| CN110889288A (zh) * | 2019-11-18 | 2020-03-17 | 量子数聚（北京）科技有限公司 | 中文实体链接方法以及装置、文本处理方法、设备、存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418681A (zh) * | 2020-11-26 | 2021-02-26 | 北京上奇数字科技有限公司 | 产业发展的分析方法、装置、电子设备及存储介质 |
| CN112925506A (zh) * | 2020-11-27 | 2021-06-08 | 北京航空航天大学 | 一种检测软件需求间冲突的方法及计算机可读存储介质 |
| CN112861543A (zh) * | 2021-02-04 | 2021-05-28 | 吴俊� | 一种面向研发供需描述文本撮合的深层语义匹配方法和系统 |
| CN113269477A (zh) * | 2021-07-14 | 2021-08-17 | 北京邮电大学 | 一种科研项目查询评分模型训练方法、查询方法及装置 |
| CN114327378A (zh) * | 2022-03-15 | 2022-04-12 | 广州弘一信息科技股份有限公司 | 一种基于软件开发的项目管理系统 |
| CN114327378B (zh) * | 2022-03-15 | 2022-05-24 | 广州弘一信息科技股份有限公司 | 一种基于软件开发的项目管理系统 |
| CN117236754A (zh) * | 2023-09-12 | 2023-12-15 | 杭州湘云信息技术有限公司 | 高校科研数据管理方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111309871B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111309871B (zh) | 一种基于文本语义分析需求与输出成果之间匹配度的方法 | |
| CN108573045B (zh) | 一种基于多阶指纹的比对矩阵相似度检索方法 | |
| CN110442676A (zh) | 基于多轮对话的专利检索方法及装置 | |
| CN110619051B (zh) | 问题语句分类方法、装置、电子设备及存储介质 | |
| CN111158641B (zh) | 基于语义分析和文本挖掘的事务类功能点自动识别方法 | |
| CN108846031B (zh) | 一种面向电力行业的项目相似性对比方法 | |
| CN112183059A (zh) | 一种中文结构化事件抽取方法 | |
| CN114548321A (zh) | 基于对比学习的自监督舆情评论观点对象分类方法 | |
| CN113360647B (zh) | 一种基于聚类的5g移动业务投诉溯源分析方法 | |
| CN114707516A (zh) | 一种基于对比学习的长文本语义相似度计算方法 | |
| Bian et al. | Model optimization of English intelligent translation based on outlier detection and machine learning | |
| CN110728140A (zh) | 基于情感分析与主题特征的突发事件舆情演化分析方法 | |
| CN113011156A (zh) | 审核文本的质检方法、装置、介质以及电子设备 | |
| CN110705289B (zh) | 一种基于神经网络和模糊推理的中文分词方法、系统及介质 | |
| Lian | Implementation of computer network user behavior forensic analysis system based on speech data system log | |
| Wang | Research on the art value and application of art creation based on the emotion analysis of art | |
| CN113468890B (zh) | 基于nlp信息萃取与词性规则的沉积学文献挖掘方法 | |
| Wei | Recommended methods for teaching resources in public English MOOC based on data chunking | |
| CN115062109A (zh) | 一种基于实体对注意力机制的实体关系联合抽取方法 | |
| Zhang et al. | A method of constructing knowledge graph for government procurement system | |
| Jiajia et al. | Clustering product features of online reviews based on nonnegative matrix tri-factorizations | |
| Ji | Readability Evaluation of Books in Chinese as a Foreign Language Using the Machine Learning Algorithm | |
| CN116911280B (zh) | 一种基于自然语言处理的评论分析报告生成方法 | |
| CN113591473B (zh) | 一种基于BTM主题模型和Doc2vec的文本相似度计算方法 | |
| Yuntao | Research on Feature Extraction and Tendency Analysis of Chinese Language Sentimental Expression in Network Context |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231121 Address after: Unit 02, 3rd Floor, Building 1, No. 6 Sihezhuang Road, Fengtai District, Beijing, 100070 (house number) Applicant after: PNS (BEIJING) SCIENCE & TECHNOLOGY CO.,LTD. Applicant after: STATE GRID JIBEI ELECTRIC POWER Co.,Ltd. Address before: Unit 01, 9th Floor, Building 6, Zone 4, No. 186 South Fourth Ring West Road, Fengtai District, Beijing, 100070 (Park) Applicant before: PNS (BEIJING) SCIENCE & TECHNOLOGY CO.,LTD. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |