CN113033174A - 一种基于输出型相似门的案件罪名判定方法、装置及存储介质 - Google Patents
一种基于输出型相似门的案件罪名判定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113033174A CN113033174A CN202110308566.0A CN202110308566A CN113033174A CN 113033174 A CN113033174 A CN 113033174A CN 202110308566 A CN202110308566 A CN 202110308566A CN 113033174 A CN113033174 A CN 113033174A
- Authority
- CN
- China
- Prior art keywords
- output
- case
- neural network
- gate
- similar
- 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 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Technology Law (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于输出型相似门的案件罪名判定方法,涉及一种数据处理,尤其涉及一种基于输出型相似门的案件罪名判定方法。本发明具体由两部分组成,即前向传播过程和反向传播过程;前向传播过程包含构建输出相似门神经网络模型,根据与当前案件相似的案件在神经网络中的输出结果,将相似信息传输到最终的神经网络输出层;在神经网络中获取相似信息案件和网络输出的计算;反向传播过程是对输出型相似门的参数进行优化,包含神经网络模型中误差项的计算;构建输出型相似门,并利用其在神经网络的输出层捕捉案件间的相似信息,为案件罪名判定提供数据支撑,解决了现有技术中存在的罪名判定准确率低的技术问题,显著提高案件罪名判定准确率。
Description
技术领域
本申请涉及一种案件罪名判定方法,尤其涉及一种基于输出型相似门的案件罪名判定 方法、装置及存储介质,属于数据处理技术领域。
背景技术
随着大数据人工智能时代的到来,利用机器学习算法实现罪名的自动判定是一种常态, 利用经典深度学习模型对司法文书对应的罪名进行分类,实现罪名的自动预测,但是经典 深度学习模型对罪名判定的准确率不高。
传统案件罪名判定算法还包括基于机器学习和深度神经网络算法,参见图2。这类算 法无法捕捉法律案件间的相似信息,未将案件间的相似性作为案件罪名判定的决定因素, 不利于算法准确率的提高。另外,预测算法无法指导前期案件建模过程,难以从法律案件 数据中抽取出最有利于提高算法准确率的数据元素和数据结构信息。另外,基于特征模型 或者矩阵分解的法律案件建模方法存在特征模型的天然缺陷。上述因素极大地阻碍了后续 预测算法准确率的提高。
发明内容
为解决现有技术中存在的罪名判定准确率低技术问题,本发明提供了一种基于输出型 相似门的案件罪名判定方法。本发明基于输出型相似门的案件罪名判定算法构建输出型相 似门,并利用其在神经网络的输出层捕捉案件间的相似信息,为案件罪名判定提供数据支 撑,显著提高案件罪名判定准确率。
一种基于输出型相似门的案件罪名判定方法,包括以下步骤:
S1.构建输出相似门神经网络模型,根据与当前案件相似的案件在神经网络中的输出结 果,将相似信息传输到最终的神经网络输出层;
S2.在神经网络中获取相似信息,相似信息由当前案件相似的案件在神经网络中的输入 结果;
S3.对输出型相似门的参数进行优化,得出基于输出型相似门的案件罪名判定模型;
S3.1.训练误差项沿时间的反向传播过程;
S3.2.训练误差项沿神经网络层的反向传播过程。
优选的,步骤1所述的构建输出型相似门的具体方法是:
其中,σ为sigmod函数,Wu和bu分别为输出型相似门对应的权重矩阵以及偏置项,ht-1为上一时刻神经网络的输出,χt为t时刻输入的法律案件的向量表示,“·”表示矩阵乘法;
其中,ht表示t时刻神经网络的输出,ot表示输出门,ot=σ(Wo·[ht-1,χt]+bo),其中Wo和bo分别为输出门对应的权重矩阵和偏置项,ct表示t时刻的长期状态单元,ut为输出型相似门,ht,u为案件间的相似信息。
优选的,步骤S2所述获取相似信息的具体方法是:
χt为t时刻输入的案件的向量表示,List(χt)为与当前案件χt相似度超过相似阈值的案 件向量组成的集合,|List(χt)|为集合List(χt)中元素数量,h0为χ0在网络中的输出结果, Similarity(χt,χ0)为案件χt和χ0之间的相似度。
优选的,步骤S3所述对输出型相似门的参数进行优化的具体方法是:
S3.1.误差项沿时间的反向传播过程具体是:
其中,Wfh、Wih和Woh分别为遗忘门、输入门和输出门相对于ht-1的权重矩阵,为输出型相似门在t-1时刻产生的误差项,Wuh为输出型相似门相对于ht-1的权重矩阵,ξ为常数,当t-1时刻输入的案件在List(χt)集合中时,ξ是元素均为1的向 量,否则ξ为零向量,“”为向量或者矩阵的按元素乘符号;
S3.2.误差项沿神经网络层的反向传播过程具体是:
本发明的有益效果如下:一种基于输出型相似门的案件罪名判定方法基于输出型相似 门的案件罪名判定算法构建输出型相似门,并利用其在神经网络的输出层捕捉案件间的相 似信息,为案件罪名判定提供数据支撑,显著提高案件罪名判定准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的 示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例所述的带有输出型相似门的神经网络模型示意图;
图2为本发明实施例所述的现有技术组成示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示 例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例, 而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施 例中的特征可以相互组合。
实施例1、参照图1,说明本实施例,本实施例的一种基于输出型相似门的案件罪名判 定方法,具体由两部分组成,即前向传播过程和反向传播过程;前向传播过程包含构建输 出相似门神经网络模型、在神经网络中获取相似信息和神经网络输出的计算;反向传播过 程包含对输出型相似门的参数进行优化;具体的包括以下步骤:
S1.构建输出相似门神经网络模型,根据与当前案件相似的案件在神经网络中的输出结 果,将相似信息传输到最终的神经网络输出层;
其中,σ为sigmod函数,Wu和bu分别为输出型相似门对应的权重矩阵以及偏置项,ht-1为上一时刻神经网络的输出,χt为t时刻输入的法律案件的向量表示,“·”表示矩阵乘法;
其中,ht表示t时刻神经网络的输出,ot表示输出门,ot=σ(Wo·[ht-1,χt]+bo),其中Wo和bo分别为输出门对应的权重矩阵和偏置项,ct表示t时刻的长期状态单元,ut为输出型相似门,ht,u为案件间的相似信息。
S2.在神经网络中获取相似信息,相似信息由当前案件相似的案件在神经网络中的输入 结果;
χt为t时刻输入的案件的向量表示,List(χt)为与当前案件χt相似度超过相似阈值的案 件向量组成的集合,|List(χt)|为集合List(χt)中元素数量,h0为χ0在网络中的输出结果, Similarity(χt,χ0)为案件χt和χ0之间的相似度。
输出型相似门本身并不携带案件间的相似信息,它主要用于控制是否保留相似信息, 不同于输入型相似门,输出型相似门利用与当前案件相似的案件在神经网络中的输出结果 计算相似信息,输出型相似门将该相似信息传递到网络的最终输出结果ht中。
S3.对输出型相似门的参数进行优化,得出基于输出型相似门的案件罪名判定模型;
S3.1.训练误差项沿时间的反向传播过程;
其中,Wfh、Wih和Woh分别为遗忘门、输入门和输出门相对于ht-1的权重矩阵, 为输出型相似门在t-1时刻产生的误差项,Wuh为输出型相似门相对于ht-1的权重矩阵,ξ为常数,当t-1时刻输入的案件在List(χt)集合中时,ξ是元素均为1的向量,否则ξ为零向量,“”为向量或者矩阵的按元素乘符号;
S3.2.训练误差项沿神经网络层的反向传播过程。
由上述公式,可获得神经网络模型中各个时刻和隐藏层相对应的误差项的值,计算出 误差函数相对于各个权重矩阵和偏置项的梯度,最终,利用梯度下降法求解出神经网络模 型中参数的值,得出基于输出型相似门的案件罪名判定模型。
将案件的向量表示和其相似度信息输入到带有输出型相似门的神经网络中,最终输出 该案件所属的罪名类型,下面结合具体案例说明本发明:案件基本信息为“2020年8月26 日3时许,被告人黄某某醉酒驾驶贵C*****号牌小型轿车,行驶至东莞市南城区***银城酒店对出路段时,被执勤民警现场查获,后在抽血检验过程中,黄某某存在不配合执法的行为。经鉴定,黄某某血液中乙醇含量为200.53mg/100ml。”首先使用词向量模型对案件 基本信息进行向量化操作,将案件事实部分进行分词,利用词向量工具构建针对法律案件 的词向量模型,进而将案件事实表示为向量;在此基础上,利用欧氏距离和余弦距离计算 向量间的相似度,得出数据库中不同案件间的相似度。将上述向量表示和其相似度信息输 入到带有输出型相似门的神经网络中,最终输出该案件所属的罪名类型,“危险驾驶罪”。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和 范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内, 则本申请也意图包含这些改动和变型在内。
Claims (6)
1.一种基于输出型相似门的案件罪名判定方法,其特征在于,包括以下步骤:
S1.构建输出相似门神经网络模型,根据与当前案件相似的案件在神经网络中的输出结果,将相似信息传输到最终的神经网络输出层;
S2.在神经网络中获取相似信息,相似信息由当前案件相似的案件在神经网络中的输入结果;
S3.对输出型相似门的参数进行优化,得出基于输出型相似门的案件罪名判定模型;
S3.1.训练误差项沿时间的反向传播过程;
S3.2.训练误差项沿神经网络层的反向传播过程。
4.根据权利要求3所述的方法,其特征在于,步骤S3所述对输出型相似门的参数进行优化的具体方法是:
S3.1.误差项沿时间的反向传播过程具体是:
其中,Wfh、Wih和Woh分别为遗忘门、输入门和输出门相对于ht-1的权重矩阵,为输出型相似门在t-1时刻产生的误差项,Wuh为输出型相似门相对于ht-1的权重矩阵,ξ为常数,当t-1时刻输入的案件在List(χt)集合中时,ξ是元素均为1的向量,否则ξ为零向量;
S3.2.误差项沿神经网络层的反向传播过程具体是:
由上述公式,可获得神经网络模型中各个时刻和隐藏层相对应的误差项的值,计算出误差函数相对于各个权重矩阵和偏置项的梯度,最终,利用梯度下降法求解出神经网络模型中参数的值,得出基于输出型相似门的案件罪名判定模型。
5.一种基于输出型相似门的案件罪名判定装置,其特征在于:包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1至4任一项所述的一种基于输出型相似门的案件罪名判定方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至4任一项所述的一种基于输出型相似门的案件罪名判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308566.0A CN113033174B (zh) | 2021-03-23 | 2021-03-23 | 一种基于输出型相似门的案件分类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308566.0A CN113033174B (zh) | 2021-03-23 | 2021-03-23 | 一种基于输出型相似门的案件分类方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033174A true CN113033174A (zh) | 2021-06-25 |
CN113033174B CN113033174B (zh) | 2022-06-10 |
Family
ID=76472871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110308566.0A Active CN113033174B (zh) | 2021-03-23 | 2021-03-23 | 一种基于输出型相似门的案件分类方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033174B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944049A (zh) * | 2017-12-19 | 2018-04-20 | 北京工业大学 | 一种基于深度学习的电影推荐方法 |
CN108256104A (zh) * | 2018-02-05 | 2018-07-06 | 恒安嘉新(北京)科技股份公司 | 基于多维特征的互联网网站综合分类方法 |
CN108569607A (zh) * | 2018-06-22 | 2018-09-25 | 西安理工大学 | 基于双向门控循环神经网络的电梯故障预警方法 |
CN108595632A (zh) * | 2018-04-24 | 2018-09-28 | 福州大学 | 一种融合摘要与主体特征的混合神经网络文本分类方法 |
CN108647736A (zh) * | 2018-05-16 | 2018-10-12 | 南京大学 | 一种基于感知损失和匹配注意力机制的图像分类方法 |
CN108897894A (zh) * | 2018-07-12 | 2018-11-27 | 电子科技大学 | 一种问题生成方法 |
CN109062897A (zh) * | 2018-07-26 | 2018-12-21 | 苏州大学 | 基于深度神经网络的句子对齐方法 |
CN109062962A (zh) * | 2018-06-27 | 2018-12-21 | 华南理工大学 | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 |
CN109101476A (zh) * | 2017-06-21 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 一种词向量生成、数据处理方法和装置 |
CN109614479A (zh) * | 2018-10-29 | 2019-04-12 | 山东大学 | 一种基于距离向量的裁判文书推荐方法 |
CN110119449A (zh) * | 2019-05-14 | 2019-08-13 | 湖南大学 | 一种基于序列增强胶囊网络的刑事案件罪名预测方法 |
CN110502610A (zh) * | 2019-07-24 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 基于文本语义相似度的智能语音签名方法、装置及介质 |
CN110610005A (zh) * | 2019-09-16 | 2019-12-24 | 哈尔滨工业大学 | 基于深度学习的盗窃罪辅助量刑方法 |
CN110969017A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 一种司法数据的处理方法及系统 |
CN111191464A (zh) * | 2020-01-17 | 2020-05-22 | 珠海横琴极盛科技有限公司 | 基于组合距离的语义相似度计算方法 |
CN111930931A (zh) * | 2020-07-20 | 2020-11-13 | 桂林电子科技大学 | 一种摘要评价方法及装置 |
EP3779881A1 (en) * | 2018-04-04 | 2021-02-17 | Tencent Technology (Shenzhen) Company Limited | Method for determining depth information and related device |
US20210049700A1 (en) * | 2019-08-14 | 2021-02-18 | Royal Bank Of Canada | System and method for machine learning architecture for enterprise capitalization |
-
2021
- 2021-03-23 CN CN202110308566.0A patent/CN113033174B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101476A (zh) * | 2017-06-21 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 一种词向量生成、数据处理方法和装置 |
CN107944049A (zh) * | 2017-12-19 | 2018-04-20 | 北京工业大学 | 一种基于深度学习的电影推荐方法 |
CN108256104A (zh) * | 2018-02-05 | 2018-07-06 | 恒安嘉新(北京)科技股份公司 | 基于多维特征的互联网网站综合分类方法 |
EP3779881A1 (en) * | 2018-04-04 | 2021-02-17 | Tencent Technology (Shenzhen) Company Limited | Method for determining depth information and related device |
CN108595632A (zh) * | 2018-04-24 | 2018-09-28 | 福州大学 | 一种融合摘要与主体特征的混合神经网络文本分类方法 |
CN108647736A (zh) * | 2018-05-16 | 2018-10-12 | 南京大学 | 一种基于感知损失和匹配注意力机制的图像分类方法 |
CN108569607A (zh) * | 2018-06-22 | 2018-09-25 | 西安理工大学 | 基于双向门控循环神经网络的电梯故障预警方法 |
CN109062962A (zh) * | 2018-06-27 | 2018-12-21 | 华南理工大学 | 一种融合天气信息的门控循环神经网络兴趣点推荐方法 |
CN108897894A (zh) * | 2018-07-12 | 2018-11-27 | 电子科技大学 | 一种问题生成方法 |
CN109062897A (zh) * | 2018-07-26 | 2018-12-21 | 苏州大学 | 基于深度神经网络的句子对齐方法 |
CN110969017A (zh) * | 2018-09-30 | 2020-04-07 | 北京国双科技有限公司 | 一种司法数据的处理方法及系统 |
CN109614479A (zh) * | 2018-10-29 | 2019-04-12 | 山东大学 | 一种基于距离向量的裁判文书推荐方法 |
CN110119449A (zh) * | 2019-05-14 | 2019-08-13 | 湖南大学 | 一种基于序列增强胶囊网络的刑事案件罪名预测方法 |
CN110502610A (zh) * | 2019-07-24 | 2019-11-26 | 深圳壹账通智能科技有限公司 | 基于文本语义相似度的智能语音签名方法、装置及介质 |
US20210049700A1 (en) * | 2019-08-14 | 2021-02-18 | Royal Bank Of Canada | System and method for machine learning architecture for enterprise capitalization |
CN110610005A (zh) * | 2019-09-16 | 2019-12-24 | 哈尔滨工业大学 | 基于深度学习的盗窃罪辅助量刑方法 |
CN111191464A (zh) * | 2020-01-17 | 2020-05-22 | 珠海横琴极盛科技有限公司 | 基于组合距离的语义相似度计算方法 |
CN111930931A (zh) * | 2020-07-20 | 2020-11-13 | 桂林电子科技大学 | 一种摘要评价方法及装置 |
Non-Patent Citations (6)
Title |
---|
YULONG LI等: "Combining Local and Global Features Into a Siamese Network for Sentence Similarity", 《IEEE ACCESS》 * |
宋辉等: "基于卷积门控循环单元网络的储层参数预测方法", 《油气地质与采收率》 * |
张宏莉等: "基于深度学习的文本分类研究进展", 《网络与信息安全学报》 * |
徐高扬等: "基于门控单元循环神经网络的台风路径预测", 《计算机应用与软件》 * |
石邵虎等: "基于深度学习的图像验证码识别研究", 《信息工程大学学报》 * |
邵伟明等: "基于循环神经网络的半监督动态软测量建模方法", 《电子测量与仪器学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113033174B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111061843B (zh) | 一种知识图谱引导的假新闻检测方法 | |
CN109471895B (zh) | 电子病历表型抽取、表型名称规范化方法及系统 | |
CN111061961B (zh) | 一种融合多特征的矩阵分解兴趣点推荐方法及其实现系统 | |
CN108595632B (zh) | 一种融合摘要与主体特征的混合神经网络文本分类方法 | |
CN108052512B (zh) | 一种基于深度注意力机制的图像描述生成方法 | |
CN110598005B (zh) | 一种面向公共安全事件的多源异构数据知识图谱构建方法 | |
CN112579778B (zh) | 基于多层次的特征注意力的方面级情感分类方法 | |
CN112069831B (zh) | 基于bert模型和增强混合神经网络的不实信息检测方法 | |
Quilodrán-Casas et al. | Digital twins based on bidirectional LSTM and GAN for modelling the COVID-19 pandemic | |
CN113535904B (zh) | 一种基于图神经网络的方面级情感分析方法 | |
CN113705597A (zh) | 一种图像处理方法、装置、计算机设备以及可读存储介质 | |
CN111861756B (zh) | 一种基于金融交易网络的团伙检测方法及其实现装置 | |
CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
CN109829495A (zh) | 基于lstm和dcgan的时序性图像预测方法 | |
CN112257449A (zh) | 命名实体识别方法、装置、计算机设备和存储介质 | |
CN112836025A (zh) | 一种意图识别方法及装置 | |
CN112527966A (zh) | 基于Bi-GRU神经网络和自注意力机制的网络文本情感分析方法 | |
CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 | |
CN112766339A (zh) | 一种轨迹识别模型训练方法及轨迹识别方法 | |
CN116052254A (zh) | 基于扩展卡尔曼滤波神经网络的视觉连续情感识别方法 | |
CN111914553A (zh) | 一种基于机器学习的金融信息负面主体判定的方法 | |
CN114004383A (zh) | 时间序列预测模型的训练方法、时间序列预测方法及装置 | |
CN112241802A (zh) | 一种风电功率的区间预测方法 | |
CN113868374A (zh) | 基于多头注意力机制的图卷积网络生物医学信息提取方法 | |
CN116884067B (zh) | 一种基于改进的隐式语义数据增强的微表情识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |