CN112711664A - 一种基于tcn+lstm的文本情感分类方法 - Google Patents
一种基于tcn+lstm的文本情感分类方法 Download PDFInfo
- Publication number
- CN112711664A CN112711664A CN202011631007.5A CN202011631007A CN112711664A CN 112711664 A CN112711664 A CN 112711664A CN 202011631007 A CN202011631007 A CN 202011631007A CN 112711664 A CN112711664 A CN 112711664A
- Authority
- CN
- China
- Prior art keywords
- data
- text
- tcn
- transcoding
- data set
- 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 50
- 230000008451 emotion Effects 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000002790 cross-validation Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 15
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 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
- G06F16/35—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
- G06N3/049—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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于文本处理技术领域，具体涉及一种基于TCN+LSTM的文本情感分类方法，包括下列步骤：数据集构建：数据集采用SUBJ与SST‑2数据集融合构建；数据补偿：对输入定长数据进行长度补偿，得到长度一致的数据集；数据转码：对文本进行转码操作，得到网络可以直接进行处理的文本向量形式数据，同时在转码过程中提升数据维度，获取更多的数据特征；数据集划分：采用K折交叉验证对数据集进行划分；评价指标：采用Kappa系数进行评价，此方式基于混淆矩阵可对多分类精度进行准确的描述，帮助分析网络性能；分类模型。本发明通过使用Word2vec将数据转码为高维度数据，之后使用深度学习方法，实现了对文本情感的自动分类。本发明用于文本情感的分类。
Description
技术领域
本发明属于文本处理技术领域，具体涉及一种基于TCN+LSTM的文本情感分类方法。
背景技术
传统方法中多使用朴素贝叶斯、SVM等方法进行文本情感的分类，此类方法只能进行逐词分析，低于上下文关系无法进行有效的分析，导致分类效果较差。现有的深度学习文本分类方法对文本的特征提取方式易丢失上下文信息，且网络参数量大，对于算力要求较高，导致文本分类速度慢。
现有技术存在的问题或者缺陷：目前传统的文本情感分类技术中容易忽视上下文关系，丢失语序信息，对文本的情感分类准确率低，文本分类处理速度慢，无法满足现实需求。
发明内容
针对上述的技术问题，本发明提供了一种计算量少、分类速度快、成本低的基于TCN+LSTM的文本情感分类方法。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于TCN+LSTM的文本情感分类方法，包括下列步骤：
S1、数据集构建：数据集采用SUBJ与SST-2数据集融合构建；
S2、数据补偿：对输入定长数据进行长度补偿，得到长度一致的数据集；
S3、数据转码：对文本进行转码操作，得到网络可以直接进行处理的文本向量形式数据，同时在转码过程中提升数据维度，获取更多的数据特征；
S4、数据集划分：采用K折交叉验证对数据集进行划分；
S5、评价指标：采用Kappa系数进行评价，此方式基于混淆矩阵可对多分类精度进行准确的描述，帮助分析网络性能；
S6、分类模型：通过采用TCN与GRU融合的方式构建，对数据上下文特征进行全面快速的分析提取，之后使用CNN+FC对提取到的特征进行有效的降维与分类，得到文本分类结果。
所述S2中数据补偿的方法为：将所有数据扩充为长度为25的数据，补偿方式为给每条数据添加直到数据长度为25。
所述S3中数据转码的方法为：对补偿后的数据进行文本转码和标签转码，所述文本转码通过使用Word2vec进行词向量训练，所述词向量维度采用128，经过训练后，得到数据的128维向量表示；
所述标签转码的方法为：将数据标签转换为One-Hot形式，用于网络训练，即对于4类情感0/1/2/3，若该条文本为情感2，则其标签为[0,0,1,0]。
所述S4中数据集划分的方法为：通过对数据集采用K折交叉验证方式进行数据集的划分，将其划分为训练集与验证集，将全部数据平均分为5个数据集，将其编号为数据集a/b/c/d/e。
所述S5中评价指标采用的公式为：
所述PO表示总体分类精度，所述Pe表示
所述S6中分类模型的方法为：包括下列步骤：
S61、模型搭建：模型网络由4部分构成，分别是TCN层、GRU层、CNN层、FC层，其中TCN用于数据上下文特征的提取，并缩减数据长度，减少GRU层计算量，GRU层用于对TCN层提取到的上下文关联特征进行全面分析，更好的判断文本情感，CNN层用于对数据降维，凝练特征，FC层用于对前3层经过分析提取得到的特征进行最后的情感分类；
S62、模型训练：分别取数据集a/b/c/d/e作为验证集，取四个数据集作为训练集对模型进行训练，得到5个数据模型，对5个模型在验证集上的预测结果进行评价比对，若模型性能相近，则证明模型无过拟合或欠拟合现象，保存模型，完成模型搭建，若5个模型性能差距较大，则重新进行K折交叉验证划分数据集，调整学习率对模型进行再次训练，直到得到最佳模型。
本发明与现有技术相比，具有的有益效果是：
本发明通过使用Word2vec将数据转码为高维度数据，之后使用深度学习方法，实现了对文本情感的自动分类，不同于现有的深度学习处理方式，本发明未使用计算成本较高的双向循环网络作为主体进行文本特征的提取，而是采用TCN+GRU的方式对文本上下文进行充分的联合分析，极大的减少了网络计算量，加快了分类速度，同时可以对文本进行有效的情感分类。
附图说明
图1为本发明的流程框图；
图2为本发明模型训练流程示意图。
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。
一种基于TCN+LSTM的文本情感分类方法，如图1所示，包括下列步骤：
步骤1、数据集构建：数据集采用SUBJ与SST-2数据集融合构建；
步骤2、数据补偿：对输入定长数据进行长度补偿，得到长度一致的数据集；
步骤3、数据转码：对文本进行转码操作，得到网络可以直接进行处理的文本向量形式数据，同时在转码过程中提升数据维度，获取更多的数据特征；
步骤4、数据集划分：采用K折交叉验证对数据集进行划分；
步骤5、评价指标：采用Kappa系数进行评价，此方式基于混淆矩阵可对多分类精度进行准确的描述，帮助分析网络性能；
步骤6、分类模型：通过采用TCN与GRU融合的方式构建，对数据上下文特征进行全面快速的分析提取，之后使用CNN+FC对提取到的特征进行有效的降维与分类，得到文本分类结果。
进一步，步骤2中数据补偿的方法为：将所有数据扩充为长度为25的数据，补偿方式为给每条数据添加直到数据长度为25。
进一步，步骤3中数据转码的方法为：对补偿后的数据进行文本转码和标签转码，文本转码通过使用Word2vec进行词向量训练，词向量维度采用128，经过训练后，得到数据的128维向量表示；
进一步，标签转码的方法为：将数据标签转换为One-Hot形式，用于网络训练，即对于4类情感0/1/2/3，若该条文本为情感2，则其标签为[0,0,1,0]。
进一步，步骤4中数据集划分的方法为：通过对数据集采用K折交叉验证方式进行数据集的划分，将其划分为训练集与验证集，将全部数据平均分为5个数据集，将其编号为数据集a/b/c/d/e。
进一步，步骤5中评价指标采用的公式为：
其中：PO表示总体分类精度，Pe表示
进一步，步骤6中分类模型的方法为：包括下列步骤：
步骤61、模型搭建：模型网络由4部分构成，分别是TCN层、GRU层、CNN层、FC层，其中TCN用于数据上下文特征的提取，并缩减数据长度，减少GRU层计算量，GRU层用于对TCN层提取到的上下文关联特征进行全面分析，更好的判断文本情感，CNN层用于对数据降维，凝练特征，FC层用于对前3层经过分析提取得到的特征进行最后的情感分类；
步骤62、如图2所示，模型训练：分别取数据集a/b/c/d/e作为验证集，取四个数据集作为训练集对模型进行训练，得到5个数据模型，对5个模型在验证集上的预测结果进行评价比对，若模型性能相近，则证明模型无过拟合或欠拟合现象，保存模型，完成模型搭建，若5个模型性能差距较大，则重新进行K折交叉验证划分数据集，调整学习率对模型进行再次训练，直到得到最佳模型。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于TCN+LSTM的文本情感分类方法，其特征在于：包括下列步骤：
S1、数据集构建：数据集采用SUBJ与SST-2数据集融合构建；
S2、数据补偿：对输入定长数据进行长度补偿，得到长度一致的数据集；
S3、数据转码：对文本进行转码操作，得到网络可以直接进行处理的文本向量形式数据，同时在转码过程中提升数据维度，获取更多的数据特征；
S4、数据集划分：采用K折交叉验证对数据集进行划分；
S5、评价指标：采用Kappa系数进行评价，此方式基于混淆矩阵可对多分类精度进行准确的描述，帮助分析网络性能；
S6、分类模型：通过采用TCN与GRU融合的方式构建，对数据上下文特征进行全面快速的分析提取，之后使用CNN+FC对提取到的特征进行有效的降维与分类，得到文本分类结果。
2.根据权利要求1所述的一种基于TCN+LSTM的文本情感分类方法，其特征在于：所述S2中数据补偿的方法为：将所有数据扩充为长度为25的数据，补偿方式为给每条数据添加直到数据长度为25。
3.根据权利要求1所述的一种基于TCN+LSTM的文本情感分类方法，其特征在于：所述S3中数据转码的方法为：对补偿后的数据进行文本转码和标签转码，所述文本转码通过使用Word2vec进行词向量训练，所述词向量维度采用128，经过训练后，得到数据的128维向量表示；
所述标签转码的方法为：将数据标签转换为One-Hot形式，用于网络训练，即对于4类情感0/1/2/3，若该条文本为情感2，则其标签为[0,0,1,0]。
4.根据权利要求1所述的一种基于TCN+LSTM的文本情感分类方法，其特征在于：所述S4中数据集划分的方法为：通过对数据集采用K折交叉验证方式进行数据集的划分，将其划分为训练集与验证集，将全部数据平均分为5个数据集，将其编号为数据集a/b/c/d/e。
5.根据权利要求1所述的一种基于TCN+LSTM的文本情感分类方法，其特征在于：所述S5中评价指标采用的公式为：
所述PO表示总体分类精度，所述Pe表示
6.根据权利要求1所述的一种基于TCN+LSTM的文本情感分类方法，其特征在于：所述S6中分类模型的方法为：包括下列步骤：
S61、模型搭建：模型网络由4部分构成，分别是TCN层、GRU层、CNN层、FC层，其中TCN用于数据上下文特征的提取，并缩减数据长度，减少GRU层计算量，GRU层用于对TCN层提取到的上下文关联特征进行全面分析，更好的判断文本情感，CNN层用于对数据降维，凝练特征，FC层用于对前3层经过分析提取得到的特征进行最后的情感分类；
S62、模型训练：分别取数据集a/b/c/d/e作为验证集，取四个数据集作为训练集对模型进行训练，得到5个数据模型，对5个模型在验证集上的预测结果进行评价比对，若模型性能相近，则证明模型无过拟合或欠拟合现象，保存模型，完成模型搭建，若5个模型性能差距较大，则重新进行K折交叉验证划分数据集，调整学习率对模型进行再次训练，直到得到最佳模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011631007.5A CN112711664B (zh) | 2020-12-31 | 2020-12-31 | 一种基于tcn+lstm的文本情感分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011631007.5A CN112711664B (zh) | 2020-12-31 | 2020-12-31 | 一种基于tcn+lstm的文本情感分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112711664A true CN112711664A (zh) | 2021-04-27 |
| CN112711664B CN112711664B (zh) | 2022-09-20 |
Family
ID=75547766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011631007.5A Active CN112711664B (zh) | 2020-12-31 | 2020-12-31 | 一种基于tcn+lstm的文本情感分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112711664B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869065A (zh) * | 2021-10-15 | 2021-12-31 | 梧州学院 | 一种基于“单词-短语”注意力机制的情感分类方法和系统 |
| CN117235270A (zh) * | 2023-11-16 | 2023-12-15 | 中国人民解放军国防科技大学 | 基于信度混淆矩阵的文本分类方法、装置和计算机设备 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170206405A1 (en) * | 2016-01-14 | 2017-07-20 | Nvidia Corporation | Online detection and classification of dynamic gestures with recurrent convolutional neural networks |
| CN108108355A (zh) * | 2017-12-25 | 2018-06-01 | 北京牡丹电子集团有限责任公司数字电视技术中心 | 基于深度学习的文本情感分析方法和系统 |
| CN109213861A (zh) * | 2018-08-01 | 2019-01-15 | 上海电力学院 | 结合At_GRU神经网络与情感词典的旅游评价情感分类方法 |
| CN109685153A (zh) * | 2018-12-29 | 2019-04-26 | 武汉大学 | 一种基于特征聚合的社交网络谣言鉴别方法 |
| CN109697232A (zh) * | 2018-12-28 | 2019-04-30 | 四川新网银行股份有限公司 | 一种基于深度学习的中文文本情感分析方法 |
| CN109992779A (zh) * | 2019-03-29 | 2019-07-09 | 长沙理工大学 | 一种基于cnn的情感分析方法、装置、设备及存储介质 |
| CN110275954A (zh) * | 2019-06-21 | 2019-09-24 | 深圳大学 | 基于时间卷积网络的中文文本分类方法 |
| CN110472052A (zh) * | 2019-07-31 | 2019-11-19 | 西安理工大学 | 一种基于深度学习的中文社交平台情感分析方法 |
| CN110490035A (zh) * | 2019-05-17 | 2019-11-22 | 上海交通大学 | 人体骨架动作识别方法、系统及介质 |
| CN110837830A (zh) * | 2019-10-24 | 2020-02-25 | 上海兑观信息科技技术有限公司 | 一种基于时空卷积神经网络的图像字符识别方法 |
| CN111159425A (zh) * | 2019-12-30 | 2020-05-15 | 浙江大学 | 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 |
| CN111209933A (zh) * | 2019-12-25 | 2020-05-29 | 国网冀北电力有限公司信息通信分公司 | 基于神经网络和注意力机制的网络流量分类方法和装置 |
| CN111368088A (zh) * | 2020-03-31 | 2020-07-03 | 成都信息工程大学 | 一种基于深度学习的文本情感分类方法 |
-
2020
- 2020-12-31 CN CN202011631007.5A patent/CN112711664B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170206405A1 (en) * | 2016-01-14 | 2017-07-20 | Nvidia Corporation | Online detection and classification of dynamic gestures with recurrent convolutional neural networks |
| CN108108355A (zh) * | 2017-12-25 | 2018-06-01 | 北京牡丹电子集团有限责任公司数字电视技术中心 | 基于深度学习的文本情感分析方法和系统 |
| CN109213861A (zh) * | 2018-08-01 | 2019-01-15 | 上海电力学院 | 结合At_GRU神经网络与情感词典的旅游评价情感分类方法 |
| CN109697232A (zh) * | 2018-12-28 | 2019-04-30 | 四川新网银行股份有限公司 | 一种基于深度学习的中文文本情感分析方法 |
| CN109685153A (zh) * | 2018-12-29 | 2019-04-26 | 武汉大学 | 一种基于特征聚合的社交网络谣言鉴别方法 |
| CN109992779A (zh) * | 2019-03-29 | 2019-07-09 | 长沙理工大学 | 一种基于cnn的情感分析方法、装置、设备及存储介质 |
| CN110490035A (zh) * | 2019-05-17 | 2019-11-22 | 上海交通大学 | 人体骨架动作识别方法、系统及介质 |
| CN110275954A (zh) * | 2019-06-21 | 2019-09-24 | 深圳大学 | 基于时间卷积网络的中文文本分类方法 |
| CN110472052A (zh) * | 2019-07-31 | 2019-11-19 | 西安理工大学 | 一种基于深度学习的中文社交平台情感分析方法 |
| CN110837830A (zh) * | 2019-10-24 | 2020-02-25 | 上海兑观信息科技技术有限公司 | 一种基于时空卷积神经网络的图像字符识别方法 |
| CN111209933A (zh) * | 2019-12-25 | 2020-05-29 | 国网冀北电力有限公司信息通信分公司 | 基于神经网络和注意力机制的网络流量分类方法和装置 |
| CN111159425A (zh) * | 2019-12-30 | 2020-05-15 | 浙江大学 | 一种基于历史关系和双图卷积网络的时态知识图谱表示方法 |
| CN111368088A (zh) * | 2020-03-31 | 2020-07-03 | 成都信息工程大学 | 一种基于深度学习的文本情感分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宋振振等: "基于时序卷积网络的情感识别算法", 《华东理工大学学报(自然科学版)》 * |
| 杨长利等: "双通道混合神经网络的文本情感分析模型", 《计算机工程与应用》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869065A (zh) * | 2021-10-15 | 2021-12-31 | 梧州学院 | 一种基于“单词-短语”注意力机制的情感分类方法和系统 |
| CN113869065B (zh) * | 2021-10-15 | 2024-04-12 | 梧州学院 | 一种基于“单词-短语”注意力机制的情感分类方法和系统 |
| CN117235270A (zh) * | 2023-11-16 | 2023-12-15 | 中国人民解放军国防科技大学 | 基于信度混淆矩阵的文本分类方法、装置和计算机设备 |
| CN117235270B (zh) * | 2023-11-16 | 2024-02-02 | 中国人民解放军国防科技大学 | 基于信度混淆矩阵的文本分类方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112711664B (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112328767B (zh) | 基于bert模型和比较聚合框架的问答匹配方法 | |
| CN106326212B (zh) | 一种基于层次深度语义的隐式篇章关系分析方法 | |
| CN106599032B (zh) | 一种结合稀疏编码和结构感知机的文本事件抽取方法 | |
| CN111931506B (zh) | 一种基于图信息增强的实体关系抽取方法 | |
| CN109885670A (zh) | 一种面向话题文本的交互注意力编码情感分析方法 | |
| CN111626063A (zh) | 一种基于投影梯度下降和标签平滑的文本意图识别方法及系统 | |
| CN109977234A (zh) | 一种基于主题关键词过滤的知识图谱补全方法 | |
| CN112711664B (zh) | 一种基于tcn+lstm的文本情感分类方法 | |
| CN110287323B (zh) | 一种面向目标的情感分类方法 | |
| CN110717332B (zh) | 基于非对称孪生网络的新闻与案件相似度计算方法 | |
| CN107797987B (zh) | 一种基于Bi-LSTM-CNN的混合语料命名实体识别方法 | |
| CN110532355A (zh) | 一种基于多任务学习的意图与槽位联合识别方法 | |
| CN111274814B (zh) | 一种新型的半监督文本实体信息抽取方法 | |
| CN110619121B (zh) | 基于改进深度残差网络和注意力机制的实体关系抽取方法 | |
| CN107122349A (zh) | 一种基于word2vec‑LDA模型的文本主题词提取方法 | |
| CN109492105B (zh) | 一种基于多特征集成学习的文本情感分类方法 | |
| CN109101490B (zh) | 一种基于融合特征表示的事实型隐式情感识别方法和系统 | |
| CN111128128B (zh) | 一种基于互补模型评分融合的语音关键词检测方法 | |
| CN111597328A (zh) | 一种新事件主题提取方法 | |
| CN105912525A (zh) | 基于主题特征的半监督学习情感分类方法 | |
| CN107797988A (zh) | 一种基于Bi‑LSTM的混合语料命名实体识别方法 | |
| CN113569553A (zh) | 基于改进Adaboost算法的句子相似性判断方法 | |
| CN115238693A (zh) | 一种基于多分词和多层双向长短期记忆的中文命名实体识别方法 | |
| CN110232121A (zh) | 一种基于语义网的管制指令分类方法 | |
| CN112949284B (zh) | 一种基于Transformer模型的文本语义相似度预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231204 Address after: 045000 Xueyuan Road Development Zone, Yangquan, Shanxi Patentee after: SHANXI INSTITUTE OF TECHNOLOGY Address before: 030000, 160 meters southeast of Huajian Building, No. 9 Xieyuan Road, Jinyuan District, Taiyuan City, Shanxi Province Patentee before: Shanxi Chuangxin Artificial Intelligence Industry Technology Research Institute Effective date of registration: 20231204 Address after: 030000, 160 meters southeast of Huajian Building, No. 9 Xieyuan Road, Jinyuan District, Taiyuan City, Shanxi Province Patentee after: Shanxi Chuangxin Artificial Intelligence Industry Technology Research Institute Address before: 030000 room a118, No.15, Keji street, Gaoxin District, Taiyuan City, Shanxi Province Patentee before: Shanxi Sanyouhuo Intelligence Information Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |