CN112711949B - 一种命名实体识别和实体关系抽取的联合方法 - Google Patents
一种命名实体识别和实体关系抽取的联合方法 Download PDFInfo
- Publication number
- CN112711949B CN112711949B CN202110011146.6A CN202110011146A CN112711949B CN 112711949 B CN112711949 B CN 112711949B CN 202110011146 A CN202110011146 A CN 202110011146A CN 112711949 B CN112711949 B CN 112711949B
- Authority
- CN
- China
- Prior art keywords
- entity
- tensor
- label
- formula
- relationship
- 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.)
- Active
Links
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
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
一种命名实体识别和实体关系抽取的联合方法,解决了Pipeline方法中实体识别与关系抽取相互隔离的问题,不同于Joint(联合)方法中实体识别与关系抽取部分参数共享,本发明在多步迭代过程中,实现了实体识别结果与关系抽取结果多次融合、相互影响,使得命名实体识别与实体关系抽取同步进行,进一步提高识别准确率。
Description
技术领域
本发明涉及自然语言处理技术领域,具体涉及一种命名实体识别和实体关系抽取的联合方法。
背景技术
自然语言处理是人工智能研究的一个分支领域,随着现今互联网信息化的发展,自然语言数据不断地加速积累,如何消化这些数据,从数据中抽取出知识信息继而进行推理,是当今自然语言处理研究的重点,其中以命名实体识别和实体关系抽取最具代表性。
而传统的命名实体识别和实体关系抽取主要有两大技术方向:
Pipeline方法:该方法先对文本中的命名实体进行识别,然后再结合文本以及命名实体识别的结果,对实体之间的关系进行识别。该方法由于将命名实体识别与实体关系抽取分开进行,最终的识别结果的误差会在两个步骤间进行累积,使得最终的识别结果误差较大。
Joint(联合)方法:该方法同时对文本中的命名实体以及实体关系进行识别,虽然表面上避免了误差累积,但是真实情况是,不同的命名实体识别方案会影响其实体关系识别的方案,而不同的实体关系识别方案又会反过来影响命名实体识别的方案。而现有的联合方法都仅仅是将命名实体识别与关系抽取做了部分模型参数共享,并没有真正实现两者的识别结果互相参照互相影响继而进行对应调整。所以目前的联合方法虽然没有了误差的累积,但是实际效果还不如使用Pipeline方法的最终准确度高。
发明内容
本发明为了克服以上技术的不足,提供了一种将命名实体识别和实体关系抽取同时进行,能够对命名实体识别和关系抽取的结果互相影响互相参考,继而提升最终准确率的联合方法。
本发明克服其技术问题所采用的技术方案是:
一种命名实体识别和实体关系抽取的联合方法,包括:
a)对输入电子病历文本S、实体位置标记张量Entity_label、文本实体关系标记Relation_label进行处理;
b)预训练语言模型,将电子病历文本S输入到预训练语言模型中,得到文本的张量表示H,生成实体位置标记嵌入Entity,输出Entity∈Rentity_size×E,entity_size为实体类型数量,E为语言模型中词嵌入的维度;
d)将Hk与实体位置标记张量Entity_label输入到实体识别模型中,输出概率张量Pk及实体识别标记结果Bk,将概率张量Pk与实体位置标记嵌入Entity进行内积运算,输出文本的实体位置概率表示为PEk∈RL×E,L为电子病历文本S中最大字符长度;
e)将Hk与文本实体关系标记Relation_label输入到关系模型,输出关系损失Relation_lossk与实体关系概率矩阵PRk∈RL×L;
g)增加迭代次数,令k=k+1,若k>K则结束迭代并执行步骤h),如果k≤K则执行步骤c);
h)输入电子病历文本S,第K轮中的实体识别矩阵BK∈RL×entity_size为实体识别结果,实体关系概率矩阵PRK∈RL×L×relattion_size,relation_size为关系类型数量。进一步的,步骤a)中对电子病历文本S的处理包括:将电子病历文本S中长度超过L的部分截掉,长度不足L的部分进行padding填充补全。
进一步的,步骤a)中实体位置标记张量Entity_label的处理包括:对张量Entity_label标记出实体位置,维度为RL,R为实数空间,其中实体类型数量为entity_size。
进一步的,步骤a)中文本实体关系标记Relation_label的处理包括:对实体关系标记Relation_label标记出实体间的关系,维度为RL×L,其中关系类型数量为relation_size。
进一步的,步骤b)包括如下步骤:
b-1)选用Bert或Albert或GPT方法预训练语言模型,文本张量H的维度为RL×E,L与E均为正整数;
b-2)利用公式Entity=Embedding(Entity_label)将实体位置标记张量Entity_label经嵌入层输出实体位置标记嵌入。
进一步的,步骤d)中实体识别模型采用Transformer模块与条件随机场CRF结合的方式输出CRF损失函数、输出概率张量Pk及实体识别标记结果Bk。
进一步的,步骤d)包括如下步骤:
d-1)利用公式Gk=Transformer(Hk)计算文本张量H经过Transformer网络层后的输出Gk,通过公式Bk=MLP(Gk)计算Gk利用MLP神经网络输出的实体识别标记结果Bk,利用公式Pk=Forward_backward(Bk,Entity)计算Bk利用CRF模型的前项-后向算法得到概率张量Pk;
d-2)将概率张量Pk与实体位置标记张量Entity_label输入到CRF模型中通过公式CRF_lossk=CRF(Pk,Entity_label)计算损失CRF_lossk,概率张量Pk与实体位置标记张量Entity_label通过公式PEk=Pk*Entity∈RL×E进行内积运算得到文本的实体位置概率PEk。
进一步的,步骤e)包括如下步骤:
e-1)将Hk输入到两个不同的Transformer模型中,分别得到Y1∈RL×E,Y2∈RL×E,通过公式PRk=Sigmoid(Yk)计算得到实体关系概率矩阵PRk,式中为Y2的转置,Yk∈RL×L×relation_size;
e-2)通过公式Relation_lossk=Cross_entropy(PRk,Relation_label)计算交叉熵损失作为输出关系损失Relation_lossk,Relation_label∈RL×L。
进一步的,步骤f)包括如下步骤:
f-1)通过公式MEk=PEk+Hk∈RL×E计算得到MEk;
f-2)通过公式对MEk在嵌入维度进行分割,分割份数为head_num,head_num为正整数且能整除嵌入维度E,通过公式F=E/head_num计算分割后的嵌入维度F,分割后的j={0,1,...,head_num-1};
f-4)利用实体关系概率矩阵PRk∈RL×L通过公式计算注意力机制的输出Oj,Oj∈RL×F,λ∈R为实数,M从{MLP(PRk),MLP(PRk)T,ONE}中选择,ONE∈RL×L为单位矩阵,MLP(PRk)∈RL×L,MLP(PRk)T为MLP(PRk)的转置;
本发明的有益效果是:通过命名实体识别和实体关系抽取的联合方法,解决了Pipeline方法中实体识别与关系抽取相互隔离的问题,不同于Joint(联合)方法中实体识别与关系抽取部分参数共享,本发明在多步迭代过程中,实现了实体识别结果与关系抽取结果多次融合、相互影响,使得命名实体识别与实体关系抽取同步进行,进一步提高识别准确率。
具体实施方式
下面对本发明做进一步说明。
一种命名实体识别和实体关系抽取的联合方法,包括:
a)对输入电子病历文本S、实体位置标记张量Entity_label、文本实体关系标记Relation_label进行处理;
b)预训练语言模型,将电子病历文本S输入到预训练语言模型中,得到文本的张量表示H,生成实体位置标记嵌入Entity,输出Entity∈Rentity_size×E,entity_size为实体类型数量,E为语言模型中词嵌入的维度;
d)将Hk与实体位置标记张量Entity_label输入到实体识别模型中,输出概率张量Pk及实体识别标记结果Bk,将概率张量Pk与实体位置标记嵌入Entity进行内积运算,输出文本的实体位置概率表示为PEk∈RL×E,L为电子病历文本S中最大字符长度;
e)将Hk与文本实体关系标记Relation_label输入到关系模型,输出关系损失Relation_lossk与实体关系概率矩阵PRk∈RL×L;
g)增加迭代次数,令k=k+1,若k>K则结束迭代并执行步骤h),如果k≤K则执行步骤c);
h)输入电子病历文本S,第K轮中的实体识别矩阵BK∈RL×entity_size为实体识别结果,实体关系概率矩阵PRK∈RL×L×relattion_size,relation_size为关系类型数量。通过以上命名实体识别和实体关系抽取的联合方法,解决了Pipeline方法中实体识别与关系抽取相互隔离的问题,不同于Joint(联合)方法中实体识别与关系抽取部分参数共享,本发明在多步迭代过程中,实现了实体识别结果与关系抽取结果多次融合、相互影响,使得命名实体识别与实体关系抽取同步进行,进一步提高识别准确率。
进一步的,步骤a)中对电子病历文本S的处理包括:将电子病历文本S中长度超过L的部分截掉,长度不足L的部分进行padding填充补全。
进一步的,步骤a)中实体位置标记张量Entity_label的处理包括:对张量Entity_label标记出实体位置,维度为RL,R为实数空间,其中实体类型数量为entity_size。
进一步的,步骤a)中文本实体关系标记Relation_label的处理包括:对实体关系标记Relation_label标记出实体间的关系,维度为RL×L,其中关系类型数量为relation_size。
进一步的,步骤b)包括如下步骤:
b-1)选用Bert或Albert或GPT方法预训练语言模型,文本张量H的维度为RL×E,L与E均为正整数;
b-2)利用公式Entity=Embedding(Entity_label)将实体位置标记张量Entity_label经嵌入层输出实体位置标记嵌入。
进一步的,步骤d)中实体识别模型采用Transformer模块与条件随机场CRF结合的方式输出CRF损失函数、输出概率张量Pk及实体识别标记结果Bk。
进一步的,步骤d)包括如下步骤:
d-1)利用公式Gk=Transformer(Hk)计算文本张量H经过Transformer网络层后的输出Gk,通过公式Bk=MLP(Gk)计算Gk利用MLP神经网络输出的实体识别标记结果Bk,利用公式Pk=Forward_backward(Bk,Entity)计算Bk利用CRF模型的前项-后向算法得到概率张量Pk;
d-2)将概率张量Pk与实体位置标记张量Entity_label输入到CRF模型中通过公式CRF_lossk=CRF(Pk,Entity_label)计算损失CRF_lossk,概率张量Pk与实体位置标记张量Entity_label通过公式PEk=Pk*Entity∈RL×E进行内积运算得到文本的实体位置概率PEk。
进一步的,步骤e)包括如下步骤:
e-1)将Hk输入到两个不同的Transformer模型中,分别得到Y1∈RL×E,Y2∈RL×E,通过公式PRk=Sigmoid(Yk)计算得到实体关系概率矩阵PRk,式中为Y2的转置,Yk∈RL×L×relation_size;
e-2)通过公式Relation_lossk=Cross_entropy(PRk,Relation_label)计算交叉熵损失作为输出关系损失Relation_lossk,Relation_label∈RL×L。
进一步的,步骤f)包括如下步骤:
f-1)通过公式MEk=PEk+Hk∈RL×E计算得到MEk;
f-4)利用实体关系概率矩阵PRk∈RL×L通过公式计算注意力机制的输出Oj,Oj∈RL×F,λ∈R为实数,M从{MLP(PRk),MLP(PRk)T,ONE}中选择,ONE∈RL×L为单位矩阵,MLP(PRk)∈RL×L,MLP(PRk)T为MLP(PRk)的转置;f-5)通过公式将Oj在嵌入维度进行拼接,得到迭代张量
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种命名实体识别和实体关系抽取的联合方法,其特征在于,包括:
a)对输入电子病历文本S、实体位置标记张量Entity_label、文本实体关系标记Relation_label进行处理;
b)预训练语言模型,将电子病历文本S输入到预训练语言模型中,得到文本的张量表示H,生成实体位置标记嵌入Entity,输出Entity∈Rentity_size×E,entity_size为实体类型数量,E为语言模型中词嵌入的维度;
d)将Hk与实体位置标记张量Entity_label输入到实体识别模型中,输出概率张量Pk及实体识别标记结果Bk,将概率张量Pk与实体位置标记嵌入Entity进行内积运算,输出文本的实体位置概率表示为PEk∈RL×E,L为电子病历文本S中最大字符长度;
e)将Hk与文本实体关系标记Relation_label输入到关系模型,输出关系损失Relation_lossk与实体关系概率矩阵PRk∈RL×L;
g)增加迭代次数,令k=k+1,若k>K则结束迭代并执行步骤h),如果k≤K则执行步骤c);
h)输入电子病历文本S,第K轮中的实体识别矩阵BK∈RL×entity_size为实体识别结果,实体关系概率矩阵PRK∈RL×L×relation_size,relation_size为关系类型数量。
2.根据权利要求1所述的命名实体识别和实体关系抽取的联合方法,其特征在于,步骤a)中对电子病历文本S的处理包括:将电子病历文本S中长度超过L的部分截掉,长度不足L的部分进行padding填充补全。
3.根据权利要求2所述的命名实体识别和实体关系抽取的联合方法,其特征在于,步骤a)中实体位置标记张量Entity_label的处理包括:对张量Entity_label标记出实体位置,维度为RL,R为实数空间,其中实体类型数量为entity_size。
4.根据权利要求2所述的命名实体识别和实体关系抽取的联合方法,其特征在于,步骤a)中文本实体关系标记Relation_label的处理包括:对实体关系标记Relation_label标记出实体间的关系,维度为RL×L,其中关系类型数量为relation_size。
5.根据权利要求1所述的命名实体识别和实体关系抽取的联合方法,其特征在于,步骤b)包括如下步骤:
b-1)选用Bert或Albert或GPT方法预训练语言模型,文本张量H的维度为RL×E,L与E均为正整数;
b-2)利用公式Entity=Embedding(Entity_label)将实体位置标记张量Entity_label经嵌入层输出实体位置标记嵌入。
6.根据权利要求1所述的命名实体识别和实体关系抽取的联合方法,其特征在于,步骤d)中实体识别模型采用Transformer模块与条件随机场CRF结合的方式输出CRF损失函数、输出概率张量Pk及实体识别标记结果Bk。
7.根据权利要求6所述的命名实体识别和实体关系抽取的联合方法,其特征在于,步骤d)包括如下步骤:
d-1)利用公式Gk=Transformer(Hk)计算文本张量H经过Transformer网络层后的输出Gk,通过公式Bk=MLP(Gk)计算Gk利用MLP神经网络输出的实体识别标记结果Bk,利用公式Pk=Forward_backward(Bk,Entity)计算Bk利用CRF模型的前项-后向算法得到概率张量Pk;
d-2)将概率张量Pk与实体位置标记张量Entity_label输入到CRF模型中通过公式CRF_lossk=CRF(Pk,Entity_label)计算损失CRF_lossk,概率张量Pk与实体位置标记张量Entity_label通过公式PEk=Pk*Entity∈RL×E进行内积运算得到文本的实体位置概率PEk。
9.根据权利要求1所述的命名实体识别和实体关系抽取的联合方法,其特征在于,步骤f)包括如下步骤:
f-1)通过公式MEk=PEk+Hk∈RL×E计算得到MEk;
f-4)利用实体关系概率矩阵PRk∈RL×L通过公式计算注意力机制的输出Oj,Oj∈RL×F,λ∈R为实数,M从{MLP(PRk),MLP(PRk)T,ONE}中选择,ONE∈RL×L为单位矩阵,MLP(PRk)∈RL×L,MLP(PRk)T为MLP(PRk)的转置;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011146.6A CN112711949B (zh) | 2021-01-05 | 2021-01-05 | 一种命名实体识别和实体关系抽取的联合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011146.6A CN112711949B (zh) | 2021-01-05 | 2021-01-05 | 一种命名实体识别和实体关系抽取的联合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112711949A CN112711949A (zh) | 2021-04-27 |
CN112711949B true CN112711949B (zh) | 2022-04-22 |
Family
ID=75548329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110011146.6A Active CN112711949B (zh) | 2021-01-05 | 2021-01-05 | 一种命名实体识别和实体关系抽取的联合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112711949B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611439B (zh) * | 2023-07-19 | 2023-09-19 | 北京惠每云科技有限公司 | 医疗信息抽取方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933027A (zh) * | 2015-06-12 | 2015-09-23 | 华东师范大学 | 一种利用依存分析的开放式中文实体关系抽取方法 |
CN110444259A (zh) * | 2019-06-06 | 2019-11-12 | 昆明理工大学 | 基于实体关系标注策略的中医电子病历实体关系提取方法 |
CN110570920A (zh) * | 2019-08-20 | 2019-12-13 | 华东理工大学 | 一种基于集中注意力模型的实体、关系联合学习方法 |
CN111159407A (zh) * | 2019-12-30 | 2020-05-15 | 北京明朝万达科技股份有限公司 | 训练实体识别和关系分类模型的方法、装置、设备及介质 |
CN111368528A (zh) * | 2020-03-09 | 2020-07-03 | 西南交通大学 | 一种面向医学文本的实体关系联合抽取方法 |
CN111444305A (zh) * | 2020-03-19 | 2020-07-24 | 浙江大学 | 一种基于知识图谱嵌入的多三元组联合抽取方法 |
CN111914091A (zh) * | 2019-05-07 | 2020-11-10 | 四川大学 | 一种基于强化学习的实体和关系联合抽取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035210A1 (en) * | 2009-08-10 | 2011-02-10 | Benjamin Rosenfeld | Conditional random fields (crf)-based relation extraction system |
-
2021
- 2021-01-05 CN CN202110011146.6A patent/CN112711949B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933027A (zh) * | 2015-06-12 | 2015-09-23 | 华东师范大学 | 一种利用依存分析的开放式中文实体关系抽取方法 |
CN111914091A (zh) * | 2019-05-07 | 2020-11-10 | 四川大学 | 一种基于强化学习的实体和关系联合抽取方法 |
CN110444259A (zh) * | 2019-06-06 | 2019-11-12 | 昆明理工大学 | 基于实体关系标注策略的中医电子病历实体关系提取方法 |
CN110570920A (zh) * | 2019-08-20 | 2019-12-13 | 华东理工大学 | 一种基于集中注意力模型的实体、关系联合学习方法 |
CN111159407A (zh) * | 2019-12-30 | 2020-05-15 | 北京明朝万达科技股份有限公司 | 训练实体识别和关系分类模型的方法、装置、设备及介质 |
CN111368528A (zh) * | 2020-03-09 | 2020-07-03 | 西南交通大学 | 一种面向医学文本的实体关系联合抽取方法 |
CN111444305A (zh) * | 2020-03-19 | 2020-07-24 | 浙江大学 | 一种基于知识图谱嵌入的多三元组联合抽取方法 |
Non-Patent Citations (1)
Title |
---|
Joint Extraction of Entities and Relations Based on a Novel Decomposition Strategy;Bowen Yu et al.;《https://arxiv.org/abs/1909.04273》;20191210;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112711949A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Few-shot representation learning for out-of-vocabulary words | |
CN107729311B (zh) | 一种融合文本语气的中文文本特征提取方法 | |
CN110489567B (zh) | 一种基于跨网络特征映射的节点信息获取方法及其装置 | |
CN108132932B (zh) | 带有复制机制的神经机器翻译方法 | |
JP2010250814A (ja) | 品詞タグ付けシステム、品詞タグ付けモデルのトレーニング装置および方法 | |
CN112861976B (zh) | 一种基于孪生图卷积哈希网络的敏感图像识别方法 | |
CN112784065B (zh) | 基于多阶邻域注意力网络的无监督知识图谱融合方法及装置 | |
CN112084301B (zh) | 文本修正模型的训练方法及装置、文本修正方法及装置 | |
CN112711949B (zh) | 一种命名实体识别和实体关系抽取的联合方法 | |
Gong et al. | Continual pre-training of language models for math problem understanding with syntax-aware memory network | |
CN115841119B (zh) | 一种基于图结构的情绪原因提取方法 | |
CN112749253A (zh) | 一种基于文本关系图的多文本摘要生成方法 | |
CN114841151B (zh) | 基于分解-重组策略的医学文本实体关系联合抽取方法 | |
CN113312919A (zh) | 一种知识图谱的文本生成方法及装置 | |
CN117408650B (zh) | 基于人工智能的数字化招标文件制作和评估系统 | |
WO2020188971A1 (ja) | 特徴推定方法、特徴推定装置、プログラム及び記録媒体 | |
CN109753563B (zh) | 基于大数据的标签提取方法、装置及计算机可读存储介质 | |
WO2023108981A1 (zh) | 文本生成模型的训练方法、装置、存储介质及计算机设备 | |
Sekiyama et al. | Automated proof synthesis for the minimal propositional logic with deep neural networks | |
Walsh et al. | Masked Embedding Modeling With Rapid Domain Adjustment for Few-Shot Image Classification | |
CN115034236A (zh) | 一种基于知识蒸馏的中英机器翻译方法 | |
CN113590748A (zh) | 基于迭代网络组合的情感分类持续学习方法及存储介质 | |
CN114662659A (zh) | 一种基于多阶段迁移学习策略综合的众包文本集成方法 | |
Banerjee et al. | Attr2style: A transfer learning approach for inferring fashion styles via apparel attributes | |
CN114529908A (zh) | 一种离线手写化学反应式图像识别技术 |
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 | ||
CP03 | Change of name, title or address |
Address after: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province Patentee after: Zhongyang Health Technology Group Co.,Ltd. Address before: 12 / F, building 1, Aosheng building, 1166 Xinluo street, high tech Zone, Jinan City, Shandong Province Patentee before: SHANDONG MSUNHEALTH TECHNOLOGY GROUP Co.,Ltd. |
|
CP03 | Change of name, title or address |