CN112541352A - 一种基于深度学习的政策解读方法 - Google Patents
一种基于深度学习的政策解读方法 Download PDFInfo
- Publication number
- CN112541352A CN112541352A CN202011540465.8A CN202011540465A CN112541352A CN 112541352 A CN112541352 A CN 112541352A CN 202011540465 A CN202011540465 A CN 202011540465A CN 112541352 A CN112541352 A CN 112541352A
- Authority
- CN
- China
- Prior art keywords
- policy
- deep learning
- model
- extracting
- entity
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012790 confirmation Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000007670 refining Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及政策解读技术领域,且公开了一种基于深度学习的政策解读方法,包括以下步骤:S1、分析政策:通过深度学习算法对政策进行分析;S2、政策分析结果抽取:通过抽取引擎对其进行内容或抽取;S3、政策内容分类:基于s2的基础上进分类;S4、输出解读结果;S5、知识库完善。本发明中,利用深度学习技术完成政策文本的理解,抽取出政策关键词,政策,以及提炼相关政策形成Pair(政策,政策内容)以及(政策,关键词)。利用上述抽取的数据,完善相关的知识库以及搜索,提供相关的API以供使用,解决了政策实体抽取困难,政策分类效率低下;政策内容抽取效率低下;政策问答不准确;迭代训练困难;政策时效性更新缓慢等问题。
Description
技术领域
本发明涉及政策解读技术领域,具体为一种基于深度学习的政策解读方法。
背景技术
政策文件,指的是国家政权机关、政党组织和其他社会政治集团为了实现自己所代表的阶级、阶层的利益与意志,以权威形式标准化地规定在一定的历史时期内,应该达到的奋斗目标、遵循的行动原则、完成的明确任务、实行的工作方式、采取的一般步骤和具体措施的文件。
现有文件在解读过程中存在以下问题:
1、政策实体抽取困难;
2、政策分类效率低下;
3、政策内容抽取效率低下;
4、政策问答不准确;
5、迭代训练困难;
6、政策时效性更新缓慢。为此,我们提出一种基于深度学习的政策解读方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于深度学习的政策解读方法,解决了上述的问题。
(二)技术方案
为实现上述所述目的,本发明提供如下技术方案:一种基于深度学习的政策解读方法,包括以下步骤:
S1、分析政策:通过深度学习算法对政策进行分析;
S2、政策分析结果抽取:通过抽取引擎对其进行内容或抽取;
S3、政策内容分类:基于s2的基础上进分类;
S4、输出解读结果;
S5、知识库完善。
优选的,所述S1中,分析政策:通过深度学习算法对政策进行分析的具体步骤为:
步骤1,用户通过系统将政策进行输入(文本,文件);
步骤2,根据步骤1构建的两个Pair,进行人工确认,此确认步骤可认为是标注的一种形式;
步骤3,确认完全后,两个Pair数据进入相关知识库,以提供相关的QA过程。
优选的,所述步骤1用户通过系统将政策进行输入(文本,文件)中,通过以下步骤进行处理;
步骤1.1将输入的数据做数据预处理;
步骤1.2实体抽取,针对政策进行相关实体的抽取,并建立政策-实体Pair。
步骤1.3政策内容抽取,针对政策进行相关内容的抽取,并建立政策-内容Pair。
优选的,所述步骤1.2实体抽取,针对政策进行相关实体的抽取,并建立政策-实体Pair中,具体做法如下:
1).针对政策文本进行分词以及新词发现;
2).分词新词发现结果之后得到结果与积累的政策领域词库进行比对,如果有相关词汇则将此词汇和其对应的政策领域组成Pair返回;
3).利用深度学习算法,BERT+BiLSTM+CRF,以及积累的语料进行训练而得的模型进行预测,标注数据格式为:B(begin):实体开始,I(Inside):实体内部,O(outside):非实体,E(end):实体结尾,S(single):单个实体,将输入为:政策文本,输出为:相关实体--①;
4).同时利用BERT的分类模型对政策进行分类预测其领域分类,
相关特征为:文本的WordEmbedding;
输入为:政策文本,输出为:领域分类--②;
5).将①和②组成Pair返回。
优选的,所述步骤1.3政策内容抽取,针对政策进行相关内容的抽取,并建立政策-内容Pair中,具体方法如下:
1).利用大量政策文本训练TextRank,Bert-Extract,XGBoost模型,其中,TextRank为无监督模型,Bert-Extract为基于WordEmbedding模型,XgBoost为分类模型,特征为:WordEmbedding;
2).利用规则进行抽取,段首,段尾,文章起始段,文章结束段。
优选的,所述S5、知识库完善中,采用数据反补:具体为将确认结果和引擎预测结果相比较,得到相对应的标注数据。
优选的,所述数据反补抽取中,分类引擎的训练方式由定时触发,规则触发,手动训练三种构成。
优选的,所述定时触发方式具体为:
1)、可自定义训练区间,比如1周/1月定时训练一次;
2)、训练完成的模型自动生成模型文件,并推送到生产环境;
3)、生产系统会根据定时任务的时间来验证模型文件;
4)、验证通过替换线上模型。
优选的,所述规则触发方式具体为:
1)、配置规则:
a)确认结果与引擎预测相异数据量达到阈值(用户设置);
b)确认结果数量达到阈值(用户设置);
NOTE:以上两种方式优先级为a>b;
2)、当以优先级触发上述1.中规则时,触发定时方式2,3,4。
优选的,所述手动训练方式具体为:
1)、数据预处理;
2)、超参数确认;
3)、系统参数;
a)、是否替换生产环境模型;
b)、是否验证模型;
c)、模型过期时间;
4)、训练;
5)、根据3)中系统参数设置决定是否自动化推送到生产系统还是手动推送。
(三)有益效果
与现有技术相比,本发明提供了一种基于深度学习的政策解读方法,具备以下有益效果:
该基于深度学习的政策解读方法,利用深度学习技术完成政策文本的理解,抽取出政策关键词,政策,以及提炼相关政策形成Pair(政策,政策内容)以及(政策,关键词)。利用上述抽取的数据,完善相关的知识库以及搜索,提供相关的API以供使用,解决了政策实体抽取困难,政策分类效率低下;政策内容抽取效率低下;政策问答不准确;迭代训练困难;政策时效性更新缓慢等问题。
附图说明
图1为本发明软件架构图;
图2为本发明运行方式图。
具体实施方式
下面将结合本发明实施例中的附图,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:如图1-2所示:一种基于深度学习的政策解读方法,包括以下步骤:
S1、分析政策:通过深度学习算法对政策进行分析;
S2、政策分析结果抽取:通过抽取引擎对其进行内容或抽取;
S3、政策内容分类:基于s2的基础上进分类;
S4、输出解读结果;
S5、知识库完善。
所述S1中,分析政策:通过深度学习算法对政策进行分析的具体步骤为:
步骤1,用户通过系统将政策进行输入(文本,文件);
步骤2,根据步骤1构建的两个Pair,进行人工确认,此确认步骤可认为是标注的一种形式;
步骤3,确认完全后,两个Pair数据进入相关知识库,以提供相关的QA过程。
所述步骤1用户通过系统将政策进行输入(文本,文件)中,通过以下步骤进行处理;
步骤1.1将输入的数据做数据预处理;
步骤1.2实体抽取,针对政策进行相关实体的抽取,并建立政策-实体Pair。
步骤1.3政策内容抽取,针对政策进行相关内容的抽取,并建立政策-内容Pair。
所述步骤1.2实体抽取,针对政策进行相关实体的抽取,并建立政策-实体Pair中,具体做法如下:
1).针对政策文本进行分词以及新词发现;
2).分词新词发现结果之后得到结果与积累的政策领域词库进行比对,如果有相关词汇则将此词汇和其对应的政策领域组成Pair返回;
3).利用深度学习算法,BERT+BiLSTM+CRF,以及积累的语料进行训练而得的模型进行预测,标注数据格式为:B(begin):实体开始,I(Inside):实体内部,O(outside):非实体,E(end):实体结尾,S(single):单个实体,将输入为:政策文本,输出为:相关实体--①;
4).同时利用BERT的分类模型对政策进行分类预测其领域分类,
相关特征为:文本的WordEmbedding;
输入为:政策文本,输出为:领域分类--②;
5).将①和②组成Pair返回。
所述步骤1.3政策内容抽取,针对政策进行相关内容的抽取,并建立政策-内容Pair中,具体方法如下:
1).利用大量政策文本训练TextRank,Bert-Extract,XGBoost模型,其中,TextRank为无监督模型,Bert-Extract为基于WordEmbedding模型,XgBoost为分类模型,特征为:WordEmbedding;
2).利用规则进行抽取,段首,段尾,文章起始段,文章结束段。
所述S5、知识库完善中,采用数据反补:具体为将确认结果和引擎预测结果相比较,得到相对应的标注数据。
所述数据反补抽取中,分类引擎的训练方式由定时触发,规则触发,手动训练三种构成。
所述定时触发方式具体为:
1)、可自定义训练区间,比如1周/1月定时训练一次;
2)、训练完成的模型自动生成模型文件,并推送到生产环境;
3)、生产系统会根据定时任务的时间来验证模型文件;
4)、验证通过替换线上模型。
所述规则触发方式具体为:
1)、配置规则:
a)确认结果与引擎预测相异数据量达到阈值(用户设置);
b)确认结果数量达到阈值(用户设置);
NOTE:以上两种方式优先级为a>b;
2)、当以优先级触发上述1.中规则时,触发定时方式2,3,4。
所述手动训练方式具体为:
1)、数据预处理;
2)、超参数确认;
3)、系统参数;
a)、是否替换生产环境模型;
b)、是否验证模型;
c)、模型过期时间;
4)、训练;
5)、根据3)中系统参数设置决定是否自动化推送到生产系统还是手动推送。
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 (10)
1.一种基于深度学习的政策解读方法,其特征在于:包括以下步骤:
S1、分析政策:通过深度学习算法对政策进行分析;
S2、政策分析结果抽取:通过抽取引擎对其进行内容或抽取;
S3、政策内容分类:基于s2的基础上进分类;
S4、输出解读结果;
S5、知识库完善。
2.根据权利要求1所述的一种基于深度学习的政策解读方法,其特征在于:所述S1中,分析政策:通过深度学习算法对政策进行分析的具体步骤为:
步骤1,用户通过系统将政策进行输入(文本,文件);
步骤2,根据步骤1构建的两个Pair,进行人工确认,此确认步骤可认为是标注的一种形式;
步骤3,确认完全后,两个Pair数据进入相关知识库,以提供相关的QA过程。
3.根据权利要求2所述的一种基于深度学习的政策解读方法,其特征在于:所述步骤1用户通过系统将政策进行输入(文本,文件)中,通过以下步骤进行处理;
步骤1.1将输入的数据做数据预处理;
步骤1.2实体抽取,针对政策进行相关实体的抽取,并建立政策-实体Pair。
步骤1.3政策内容抽取,针对政策进行相关内容的抽取,并建立政策-内容Pair。
4.根据权利要求3所述的一种基于深度学习的政策解读方法,其特征在于:所述步骤1.2实体抽取,针对政策进行相关实体的抽取,并建立政策-实体Pair中,具体做法如下:
1).针对政策文本进行分词以及新词发现;
2).分词新词发现结果之后得到结果与积累的政策领域词库进行比对,如果有相关词汇则将此词汇和其对应的政策领域组成Pair返回;
3).利用深度学习算法,BERT+BiLSTM+CRF,以及积累的语料进行训练而得的模型进行预测,标注数据格式为:B(begin):实体开始,I(Inside):实体内部,O(outside):非实体,E(end):实体结尾,S(single):单个实体,将输入为:政策文本,输出为:相关实体--①;
4).同时利用BERT的分类模型对政策进行分类预测其领域分类,
相关特征为:文本的WordEmbedding;
输入为:政策文本,输出为:领域分类--②;
5).将①和②组成Pair返回。
5.根据权利要求3所述的一种基于深度学习的政策解读方法,其特征在于:所述步骤1.3政策内容抽取,针对政策进行相关内容的抽取,并建立政策-内容Pair中,具体方法如下:
1).利用大量政策文本训练TextRank,Bert-Extract,XGBoost模型,其中,TextRank为无监督模型,Bert-Extract为基于WordEmbedding模型,XgBoost为分类模型,特征为:WordEmbedding;
2).利用规则进行抽取,段首,段尾,文章起始段,文章结束段。
6.根据权利要求1所述的一种基于深度学习的政策解读方法,其特征在于:所述S5、知识库完善中,采用数据反补:具体为将确认结果和引擎预测结果相比较,得到相对应的标注数据。
7.根据权利要求6所述的一种基于深度学习的政策解读方法,其特征在于:所述数据反补抽取中,分类引擎的训练方式由定时触发,规则触发,手动训练三种构成。
8.根据权利要求7所述的一种基于深度学习的政策解读方法,其特征在于:所述定时触发方式具体为:
1)、可自定义训练区间,比如1周/1月定时训练一次;
2)、训练完成的模型自动生成模型文件,并推送到生产环境;
3)、生产系统会根据定时任务的时间来验证模型文件;
4)、验证通过替换线上模型。
9.根据权利要求7所述的一种基于深度学习的政策解读方法,其特征在于:所述规则触发方式具体为:
1)、配置规则:
a)确认结果与引擎预测相异数据量达到阈值(用户设置);
b)确认结果数量达到阈值(用户设置);
NOTE:以上两种方式优先级为a>b;
2)、当以优先级触发上述1.中规则时,触发定时方式2,3,4。
10.根据权利要求7所述的一种基于深度学习的政策解读方法,其特征在于:所述手动训练方式具体为:
1)、数据预处理;
2)、超参数确认;
3)、系统参数;
a)、是否替换生产环境模型;
b)、是否验证模型;
c)、模型过期时间;
4)、训练;
5)、根据3)中系统参数设置决定是否自动化推送到生产系统还是手动推送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011540465.8A CN112541352A (zh) | 2020-12-23 | 2020-12-23 | 一种基于深度学习的政策解读方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011540465.8A CN112541352A (zh) | 2020-12-23 | 2020-12-23 | 一种基于深度学习的政策解读方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541352A true CN112541352A (zh) | 2021-03-23 |
Family
ID=75017752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011540465.8A Pending CN112541352A (zh) | 2020-12-23 | 2020-12-23 | 一种基于深度学习的政策解读方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541352A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800246A (zh) * | 2021-04-09 | 2021-05-14 | 北京智源人工智能研究院 | 一种政策谱系构建方法、装置和电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510244A (zh) * | 2018-03-31 | 2018-09-07 | 四川久久合创信息技术有限公司 | 一种基于大数据的政策信息服务平台 |
CN108776677A (zh) * | 2018-05-28 | 2018-11-09 | 深圳前海微众银行股份有限公司 | 平行语句库的创建方法、设备及计算机可读存储介质 |
CN109493265A (zh) * | 2018-11-05 | 2019-03-19 | 北京奥法科技有限公司 | 一种基于深度学习的政策解读方法及政策解读系统 |
CN110147547A (zh) * | 2019-04-09 | 2019-08-20 | 苏宁易购集团股份有限公司 | 一种基于迭代式学习的智能辅助标注方法及系统 |
CN110275935A (zh) * | 2019-05-10 | 2019-09-24 | 平安科技(深圳)有限公司 | 政策信息的处理方法、装置、及存储介质、电子装置 |
CN110865929A (zh) * | 2019-11-26 | 2020-03-06 | 携程旅游信息技术(上海)有限公司 | 异常检测预警方法及系统 |
CN110968776A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 政策知识的推荐方法、装置存储介质及处理器 |
CN111709941A (zh) * | 2020-06-24 | 2020-09-25 | 上海迪影科技有限公司 | 一种面向病理图像的轻量级自动化深度学习系统及方法 |
-
2020
- 2020-12-23 CN CN202011540465.8A patent/CN112541352A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510244A (zh) * | 2018-03-31 | 2018-09-07 | 四川久久合创信息技术有限公司 | 一种基于大数据的政策信息服务平台 |
CN108776677A (zh) * | 2018-05-28 | 2018-11-09 | 深圳前海微众银行股份有限公司 | 平行语句库的创建方法、设备及计算机可读存储介质 |
CN110968776A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 政策知识的推荐方法、装置存储介质及处理器 |
CN109493265A (zh) * | 2018-11-05 | 2019-03-19 | 北京奥法科技有限公司 | 一种基于深度学习的政策解读方法及政策解读系统 |
CN110147547A (zh) * | 2019-04-09 | 2019-08-20 | 苏宁易购集团股份有限公司 | 一种基于迭代式学习的智能辅助标注方法及系统 |
CN110275935A (zh) * | 2019-05-10 | 2019-09-24 | 平安科技(深圳)有限公司 | 政策信息的处理方法、装置、及存储介质、电子装置 |
CN110865929A (zh) * | 2019-11-26 | 2020-03-06 | 携程旅游信息技术(上海)有限公司 | 异常检测预警方法及系统 |
CN111709941A (zh) * | 2020-06-24 | 2020-09-25 | 上海迪影科技有限公司 | 一种面向病理图像的轻量级自动化深度学习系统及方法 |
Non-Patent Citations (2)
Title |
---|
薛丽娟;席梦隆;王梦婕;王昊奋;阮彤;: "基于规则推理引擎的实体关系抽取研究", 计算机科学与探索, no. 09, 20 October 2015 (2015-10-20), pages 1310 - 1319 * |
齐传辉;李峰;欧仁辉: "利用规则引擎技术实现DSS模型库更新的方案研究", 河北工程技术高等专科学校学报, no. 02, 15 June 2010 (2010-06-15), pages 55 - 57 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800246A (zh) * | 2021-04-09 | 2021-05-14 | 北京智源人工智能研究院 | 一种政策谱系构建方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106649818B (zh) | 应用搜索意图的识别方法、装置、应用搜索方法和服务器 | |
CN107092596B (zh) | 基于attention CNNs和CCR的文本情感分析方法 | |
CN111274365B (zh) | 基于语义理解的智能问诊方法、装置、存储介质及服务器 | |
CN111966786B (zh) | 一种微博谣言检测方法 | |
CN110223675B (zh) | 用于语音识别的训练文本数据的筛选方法及系统 | |
CN110415071B (zh) | 一种基于观点挖掘分析的汽车竞品对比方法 | |
CN106933800A (zh) | 一种金融领域的事件句抽取方法 | |
CN113742733B (zh) | 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置 | |
CN115599902B (zh) | 一种基于知识图谱的油气百科问答方法及系统 | |
CN110750635A (zh) | 一种基于联合深度学习模型的法条推荐方法 | |
CN113449204B (zh) | 基于局部聚合图注意力网络的社会事件分类方法、装置 | |
CN110750978A (zh) | 情感倾向分析方法、装置、电子设备及存储介质 | |
CN111339772B (zh) | 俄语文本情感分析方法、电子设备和存储介质 | |
CN112287240A (zh) | 基于双嵌入多层卷积神经网络的案件微博评价对象抽取方法及装置 | |
CN111930936A (zh) | 一种平台留言文本挖掘方法及系统 | |
CN112541352A (zh) | 一种基于深度学习的政策解读方法 | |
CN111460147B (zh) | 一种基于语义增强的标题短文本分类方法 | |
CN111008285B (zh) | 一种基于论文关键属性网络的作者消歧方法 | |
CN111814450A (zh) | 一种基于残差注意力的方面级情感分析方法 | |
CN111736804A (zh) | 一种基于用户评论识别App关键功能的方法及装置 | |
CN111859955A (zh) | 一种基于深度学习的舆情数据分析模型 | |
CN114417974B (zh) | 模型训练方法、信息处理方法、装置、电子设备和介质 | |
CN112115237B (zh) | 烟草科技文献数据推荐模型的构建方法及装置 | |
CN114969294A (zh) | 一种音近敏感词的扩展方法 | |
CN114969347A (zh) | 缺陷查重实现方法、装置、终端设备及存储介质 |
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 |