CN117744787B - 一阶研判规则知识合理性的智能度量方法 - Google Patents
一阶研判规则知识合理性的智能度量方法 Download PDFInfo
- Publication number
- CN117744787B CN117744787B CN202410186988.9A CN202410186988A CN117744787B CN 117744787 B CN117744787 B CN 117744787B CN 202410186988 A CN202410186988 A CN 202410186988A CN 117744787 B CN117744787 B CN 117744787B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- order
- rationality
- representing
- layer
- 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
- 238000011160 research Methods 0.000 title claims abstract description 61
- 238000000691 measurement method Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009411 base construction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
Landscapes
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域,具体公开一种一阶研判规则知识合理性的智能度量方法,包括如下步骤:步骤1,构建一阶研判规则知识合理性度量模型;步骤2,构建正例样本;步骤3,构建负例样本;步骤4,将正例样本和负例样本输入至一阶研判规则知识合理性度量模型进行监督训练;步骤5,将待判别的一阶研判规则知识输入训练好的一阶研判规则知识合理性度量模型进行判别。本发明能够解决现有度量方法人力资源耗费严重、缺乏统一标准的问题。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种一阶研判规则知识合理性的智能度量方法。
背景技术
在人工智能领域,近年来逐渐兴起了围绕垂直领域知识的一系列研究,包括领域知识获取、领域知识库构建、融合领域知识的推理等研究内容,而领域知识的推理运用能力,尤其是常识性的领域知识推理运用能力也被认为是从弱人工智能跨越至强人工智能的核心能力之一。在浅层性、通用性的领域知识自动获取研究方面,虽然有很多学者提出了各种知识获取技术,但由于这种浅层性、通用性、常识性领域知识的默认性、共识性、非显性等特点,对于这类知识的评判目前还没有权威统一的标准,其合理性度量还只能依靠人来进行。例如,“勺子可以用来吃饭”这一浅层通用性知识是大家都能理解且容易想到的,认为其合理自然是理所当然的;但“勺子可以用来挖土”算是合理的知识吗?可能不同的人有不同的看法。这就导致了当前的知识获取技术还无法用于自动化构建通用领域知识库等类似的工程中,因为不可避免地通过智能化技术会获取到诸如“勺子可以用来挖土”、“航空母舰出现在天空”等模棱两可甚至是错误的通用领域知识,因此Cyc、NELL、ConceptNet等国内外主流的通用类知识库均是通过人工众包的方式进行构建的。究其根本原因,在于目前通用领域知识合理性度量严重依赖人工,还没有一种切实可行的通用领域知识合理性的智能度量方法,这种现象在研判分析领域尤为常见,在该领域,许多具备基础知识的人员能够很容易判别的简单一阶研判规则知识,用智能化模型往往无法做出正确的判断。
鉴于上述原因,亟需发展一种一阶研判规则知识合理性的智能度量方法,代替人工进行知识的合理性判别,以支撑通用领域知识库自动构建与更新、通用领域知识推理运用等多种下游任务。
发明内容
本发明旨在提供一种一阶研判规则知识合理性的智能度量方法,以解决现有度量方法人力资源耗费严重、缺乏统一标准的问题。
本发明提供的一种一阶研判规则知识合理性的智能度量方法,包括如下步骤:
步骤1,构建一阶研判规则知识合理性度量模型;
步骤2,构建正例样本;
步骤3,构建负例样本;
步骤4,将正例样本和负例样本输入至一阶研判规则知识合理性度量模型进行监督训练;
步骤5,将待判别的一阶研判规则知识输入训练好的一阶研判规则知识合理性度量模型进行判别。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明提出了一种一阶研判规则知识负例样本自动构造方法,该方法充分利用了现有人工构建的通用类知识库中已有的一阶研判规则知识,克服了只能人工构建带来的效率和成本问题,从而使得训练智能化的一阶研判规则知识合理性度量模型成为可能。
2、本发明提出了一种能够自动度量一阶研判规则知识合理性的方法,该方法构建并训练一个一阶研判规则知识合理性度量模型,在使用一阶研判规则知识正负例样本训练后能够使得度量模型理解不同关系类型一阶研判规则知识的概念内涵,从而代替人工进行判断,实现智能度量的目的,使得自动化构建通用类知识库成为可能。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中一阶研判规则知识合理性的智能度量方法的流程图。
图2为本发明实施例中一阶研判规则知识合理性度量模型的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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所示,本实施例提出一种一阶研判规则知识合理性的智能度量方法,包括如下步骤:
步骤1,构建一阶研判规则知识合理性度量模型;如图2所示,具体包括如下子步骤:
步骤1.1,构造一个一阶研判规则知识三元组映射层,将一阶研判规则知识三元组按照设计好的映射模板映射成自然语言知识语句。一般一阶研判规则知识三元组存储格式为:
{
"head": "乐器",
"rel": "CapableOf",
"tails": [
"发出声音",
"弹奏",
"装饰"
]
}
设计好的映射模板为:
(head,rel,tail)→[head]+[中文(rel)]+[tail]
其中,(head,rel,tail)也即(头实体,关系,尾实体)三元组,head表示头实体,rel表示关系,tail表示尾实体;中文(rel)操作为按照关系类型映射表将一阶研判规则知识关系类型映射为中文短语,关系类型映射表如表1所示。
表1:
例如,一阶研判规则知识三元组(乐器,CapableOf,发出声音)经过一阶研判规则知识三元组映射层后,将映射成“乐器能够发出声音”这样的自然语言知识语句。
步骤1.2,构造一个字符级特征编码模块,该字符级特征编码模块由单字Token编码层、字位置编码层和注意力层组成。令经过一阶研判规则知识三元组映射层后得到的自然语言知识语句为C,经过单字Token编码层后得到特征,经过字位置编码层后得到特征,将/>输入至注意力层,采用Attention函数来实现,计算公式如下:
其中,表示查询Query(/>)的维度,Q表示查询,K表示关键字,V表示值,T表示矩阵的转置。
步骤1.3,构造一个词汇级特征编码模块,该词汇级特征编码模块由卷积层和多头自注意力层组成。考虑到未来部分一阶研判规则知识的头尾实体可以拓展至复杂的前置或后置条件句,因此设置4种不同大小的卷积核,分别为3×200、4×200、5×200和6×200,每种大小的卷积核数目=200,卷积层中总核数=800。设置多头自注意力层的注意力头数目=16,令,采用前述attention函数分别计算单头的注意力h i为:
其中,w i表示权重矩阵;
然后计算多头自注意力为:
步骤1.4,构造一个句子级特征编码模块,该句子级特征编码模块由一个改进型动态双门LSTM层和多头自注意力层组成。其中,改进型动态双门LSTM层去掉了原始LSTM网络的输出门,并将遗忘门改进为动态遗忘门(Dynamic Forget Gate Unit,DFGU),计算公式为:
其中,f t表示动态遗忘门的输出,代表sigmoid操作,W f为动态遗忘门的权重矩阵,/>表示动态遗忘门的隐层状态,/>表示输入,b f表示动态遗忘门的偏置,I表示单位阵;
同时,将输入门改进为动态输入门(Dynamic Input Gate Unit,DIGU),计算公式为:
其中,i t表示动态输入门的输出,W i为动态输入门的权重矩阵,b i表示动态输入门的偏置;
于是,细胞状态更新的计算公式变为:
其中,c t表示当前细胞状态,表示更新后的细胞状态,W C为细胞状态的权重矩阵,b C表示细胞状态的偏置;t表示采样时刻、concatenate()表示连接操作。
步骤1.5,构造一个动态加权拼接层,将字符级特征编码模块、词汇级特征编码模块和句子级特征编码模块的输出进行加权拼接。设置该动态加权拼接层的拼接维度为2048维。特征拼接权重将根据一阶研判规则自然语言知识语句的核心实体包涵的信息密度来动态确定,计算公式如下:
其中,O表示动态加权拼接层的输出,表示字符级特征编码模块的输出,/>表示词汇级特征编码模块的输出,/>表示句子级特征编码模块的输出,/>表示字符级特征编码模块的权重,/>表示词汇级特征编码模块的权重,/>表示句子级特征编码模块的权重。各权重由下面的式子来确定:
其中,和/>均表示自然语言知识语句的核心实体包涵的信息密度,计算公式如下:
,/>
其中,表示去停用词后的字符数,/>表示分词后的词汇数,/>表示分句后的句子数。
步骤2,构建正例样本;具体包括如下子步骤:
步骤2.1,选择ConceptNet(现有的一个基于人工智能的知识图谱)作为基知识库,本实施例中设置基知识库置信度为0.8。这是由于该知识库是人工众包构建的,因此其中不可避免有一部分知识是错误的。而参阅大量文献可以知道,当今众多研究者通过随机采样或者人工判读方式,对于该知识库的统一认知为该知识库有80%的知识是可信的。
步骤2.2,对于基知识库中的第种一阶研判规则知识关系类型,选定该关系类型下的任一知识头实体,让步骤1中构建的一阶研判规则知识合理性度量模型生成一系列该知识头实体和关系类型下的尾实体,并筛选出现在基知识库中的n个尾实体,记录该n个尾实体的beam search(束搜索)得分,按得分大小排序。
步骤2.3,对于基知识库中所有关系类型下的所有头实体,均按照步骤2.2的方法生成尾实体,并记录下筛选后尾实体的beam search得分,按得分大小排序。
步骤2.4,对于基知识库中所有关系类型下的所有头实体,选择beam search得分前80%的尾实体,将(头实体,关系,尾实体)三元组作为正例样本。
步骤3,构建负例样本;具体包括如下子步骤:
步骤3.1,对于第种一阶研判规则知识关系类型,选出该关系类型下每个头实体的对应尾实体的beam search得分序列的前80%的分数,再从所有80%的分数中选择其中最小的分数作为当前关系类型对应的负样本阈值;
步骤3.2,对于基知识库中所有关系类型下的所有头实体生成尾实体,并记录每个尾实体的beam search得分,若该尾实体的beam search得分小于当前关系类型下的负样本阈值,则将由该尾实体组成的(头实体,关系,尾实体)三元组作为负例样本。
步骤4,将正例样本和负例样本作为训练集输入至一阶研判规则知识合理性度量模型进行监督训练,使得训练好的一阶研判规则知识合理性度量模型能够区分正确的一阶研判规则知识和错误的一阶研判规则知识。
步骤5,将待判别的一阶研判规则知识输入至训练好的一阶研判规则知识合理性度量模型中,输出一个0到1之间的概率值,如果概率值大于设定阈值(本实施例中为0.5),则认为该待判别的一阶研判规则知识是合理的,否则认为该待判别的一阶研判规则知识是不合理的。
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,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (9)
1.一种一阶研判规则知识合理性的智能度量方法,其特征在于,包括如下步骤:
步骤1,构建一阶研判规则知识合理性度量模型;
步骤2,构建正例样本;
步骤3,构建负例样本;
步骤4,将正例样本和负例样本输入至一阶研判规则知识合理性度量模型进行监督训练;
步骤5,将待判别的一阶研判规则知识输入训练好的一阶研判规则知识合理性度量模型进行判别;
步骤1包括如下子步骤:
步骤1.1,构造一个一阶研判规则知识三元组映射层,将一阶研判规则知识三元组按照设计好的映射模板映射成自然语言知识语句;
步骤1.2,构造一个字符级特征编码模块,该字符级特征编码模块由单字Token编码层、字位置编码层和注意力层组成;
步骤1.3,构造一个词汇级特征编码模块,该词汇级特征编码模块由卷积层和多头自注意力层组成;
步骤1.4,构造一个句子级特征编码模块,该句子级特征编码模块由一个改进型动态双门LSTM层和多头自注意力层组成;
步骤1.5,构造一个动态加权拼接层,将字符级特征编码模块、词汇级特征编码模块和句子级特征编码模块的输出进行加权拼接。
2.根据权利要求1所述的一阶研判规则知识合理性的智能度量方法,其特征在于,步骤1.2中,令经过一阶研判规则知识三元组映射层后得到的自然语言知识语句为C,经过单字Token编码层后得到特征,经过字位置编码层后得到特征/>,将/>输入至注意力层,采用Attention函数来实现,计算公式如下:
其中,表示查询Query(/>)的维度,Q表示查询,K表示关键字,V表示值,T表示矩阵的转置。
3.根据权利要求2所述的一阶研判规则知识合理性的智能度量方法,其特征在于,步骤1.3中,卷积层设置有多种不同大小的卷积核;令,采用Attention函数分别计算单头的注意力h i为:
其中,w i表示权重矩阵;
然后计算多头自注意力为:
其中,N为多头自注意力层的注意力头数目。
4.根据权利要求3所述的一阶研判规则知识合理性的智能度量方法,其特征在于,步骤1.4中,改进型动态双门LSTM层的构造方法为:
去掉LSTM网络的输出门,并将遗忘门改进为动态遗忘门,计算公式为:
其中,f t表示动态遗忘门的输出,代表sigmoid操作,W f为动态遗忘门的权重矩阵,/>表示动态遗忘门的隐层状态,/>表示输入,b f表示动态遗忘门的偏置,I表示单位阵;
同时,将输入门改进为动态输入门,计算公式为:
其中,i t表示动态输入门的输出,W i为动态输入门的权重矩阵,b i表示动态输入门的偏置;
于是,细胞状态更新的计算公式变为:
其中,c t表示当前细胞状态,表示更新后的细胞状态,W C为细胞状态的权重矩阵,b C表示细胞状态的偏置;t表示采样时刻、concatenate()表示连接操作。
5.根据权利要求4所述的一阶研判规则知识合理性的智能度量方法,其特征在于,步骤1.5中,动态加权拼接层的输出表示为:
其中,O表示动态加权拼接层的输出,表示字符级特征编码模块的输出,/>表示词汇级特征编码模块的输出,/>表示句子级特征编码模块的输出,/>表示字符级特征编码模块的权重,/>表示词汇级特征编码模块的权重,/>表示句子级特征编码模块的权重。
6.根据权利要求5所述的一阶研判规则知识合理性的智能度量方法,其特征在于,步骤1.5中,表示字符级特征编码模块的权重,/>表示词汇级特征编码模块的权重以及/>表示句子级特征编码模块的权重,由下面的式子来确定:
其中,和/>均表示自然语言知识语句的核心实体包涵的信息密度,计算公式如下:
,/>
其中,表示去停用词后的字符数,/>表示分词后的词汇数,/>表示分句后的句子数。
7.根据权利要求6所述的一阶研判规则知识合理性的智能度量方法,其特征在于,步骤2包括如下子步骤:
步骤2.1,选择基知识库并设置有基知识库置信度;
步骤2.2,对于基知识库中的第种一阶研判规则知识关系类型,选定该关系类型下的任一知识头实体,让步骤1中构建的一阶研判规则知识合理性度量模型生成一系列该知识头实体和关系类型下的尾实体,并筛选出现在基知识库中的n个尾实体,记录该n个尾实体的beam search得分,按得分大小排序;
步骤2.3,对于基知识库中所有关系类型下的所有头实体,均按照步骤2.2的方法生成尾实体,并记录下筛选后尾实体的beam search得分,按得分大小排序;
步骤2.4,对于基知识库中所有关系类型下的所有头实体,选择beam search得分靠前的一部分尾实体,将(头实体,关系,尾实体)三元组作为正例样本。
8.根据权利要求7所述的一阶研判规则知识合理性的智能度量方法,其特征在于,步骤3包括如下子步骤:
步骤3.1,对于第种一阶研判规则知识关系类型,选出该关系类型下每个头实体的对应尾实体的beam search得分序列靠前的分数,再从选出的分数中选择最小的分数作为当前关系类型对应的负样本阈值;
步骤3.2,对于基知识库中所有关系类型下的所有头实体生成尾实体,并记录每个尾实体的beam search得分,若该尾实体的beam search得分小于当前关系类型下的负样本阈值,则将由该尾实体组成的(头实体,关系,尾实体)三元组作为负例样本。
9.根据权利要求8所述的一阶研判规则知识合理性的智能度量方法,其特征在于,步骤5中,将待判别的一阶研判规则知识输入至训练好的一阶研判规则知识合理性度量模型中,输出一个0到1之间的概率值,如果概率值大于设定阈值,则认为该待判别的一阶研判规则知识是合理的,否则认为该待判别的一阶研判规则知识是不合理的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186988.9A CN117744787B (zh) | 2024-02-20 | 2024-02-20 | 一阶研判规则知识合理性的智能度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410186988.9A CN117744787B (zh) | 2024-02-20 | 2024-02-20 | 一阶研判规则知识合理性的智能度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117744787A CN117744787A (zh) | 2024-03-22 |
CN117744787B true CN117744787B (zh) | 2024-05-07 |
Family
ID=90281571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410186988.9A Active CN117744787B (zh) | 2024-02-20 | 2024-02-20 | 一阶研判规则知识合理性的智能度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744787B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100397A (zh) * | 2020-09-07 | 2020-12-18 | 南京航空航天大学 | 基于双向门控循环单元的电力预案知识图谱构建方法及系统 |
WO2020261234A1 (en) * | 2019-06-28 | 2020-12-30 | Tata Consultancy Services Limited | System and method for sequence labeling using hierarchical capsule based neural network |
CN112183106A (zh) * | 2020-09-03 | 2021-01-05 | 广发证券股份有限公司 | 一种基于音素联想及深度学习的语义理解方法及装置 |
WO2021164199A1 (zh) * | 2020-02-20 | 2021-08-26 | 齐鲁工业大学 | 基于多粒度融合模型的中文句子语义智能匹配方法及装置 |
CN114781380A (zh) * | 2022-03-21 | 2022-07-22 | 哈尔滨工程大学 | 一种融合多粒度信息的中文命名实体识别方法、设备和介质 |
CN114926150A (zh) * | 2022-06-18 | 2022-08-19 | 国网辽宁省电力有限公司电力科学研究院 | 一种变压器技术符合性评估数字化智能审核方法与装置 |
CN115688752A (zh) * | 2022-09-16 | 2023-02-03 | 杭州电子科技大学 | 一种基于多语义特征的知识抽取方法 |
CN116150337A (zh) * | 2023-01-30 | 2023-05-23 | 南京航空航天大学 | 一种基于数控机床故障知识图谱的智能问答方法及其系统 |
WO2023173533A1 (zh) * | 2022-03-17 | 2023-09-21 | 平安科技(深圳)有限公司 | 文本纠错方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11861311B2 (en) * | 2020-12-09 | 2024-01-02 | Beijing Wodong Tianjun Information Technology Co., Ltd. | System and method for knowledge graph construction using capsule neural network |
-
2024
- 2024-02-20 CN CN202410186988.9A patent/CN117744787B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020261234A1 (en) * | 2019-06-28 | 2020-12-30 | Tata Consultancy Services Limited | System and method for sequence labeling using hierarchical capsule based neural network |
WO2021164199A1 (zh) * | 2020-02-20 | 2021-08-26 | 齐鲁工业大学 | 基于多粒度融合模型的中文句子语义智能匹配方法及装置 |
CN112183106A (zh) * | 2020-09-03 | 2021-01-05 | 广发证券股份有限公司 | 一种基于音素联想及深度学习的语义理解方法及装置 |
CN112100397A (zh) * | 2020-09-07 | 2020-12-18 | 南京航空航天大学 | 基于双向门控循环单元的电力预案知识图谱构建方法及系统 |
WO2023173533A1 (zh) * | 2022-03-17 | 2023-09-21 | 平安科技(深圳)有限公司 | 文本纠错方法、装置、设备及存储介质 |
CN114781380A (zh) * | 2022-03-21 | 2022-07-22 | 哈尔滨工程大学 | 一种融合多粒度信息的中文命名实体识别方法、设备和介质 |
CN114926150A (zh) * | 2022-06-18 | 2022-08-19 | 国网辽宁省电力有限公司电力科学研究院 | 一种变压器技术符合性评估数字化智能审核方法与装置 |
CN115688752A (zh) * | 2022-09-16 | 2023-02-03 | 杭州电子科技大学 | 一种基于多语义特征的知识抽取方法 |
CN116150337A (zh) * | 2023-01-30 | 2023-05-23 | 南京航空航天大学 | 一种基于数控机床故障知识图谱的智能问答方法及其系统 |
Non-Patent Citations (6)
Title |
---|
M2FNet: Multi-modal Fusion Network for Emotion Recognition in Conversation;Vishal Chudasama 等;《2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops》;20220823;4651-4660 * |
Qingyuan Gong 等.Detecting Malicious Accounts in Online Developer Communities Using Deep Learning.《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》.2023,第35卷(第10期),10633-10649. * |
基于 LSTM 算法的电网仿真样本生成方法;陈继林 等;《中国电机工程学报》;20190614;1-6 * |
基于PMV-LSTM 的中文医学命名实体识别;陈雪松 等;《计算机工程与设计》;20221130;第43卷(第11期);3257-3263 * |
基于注意力机制的语音情感识别;梁镇麟;《万方数据知识服务平台》;20210901;摘要 * |
融合多头注意力机制和BiLSTM的电商评论情感分析研究;杨秀璋 等;《计算机应用》;20221025;5-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN117744787A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108984745B (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN110427463B (zh) | 搜索语句响应方法、装置及服务器和存储介质 | |
CN107239446B (zh) | 一种基于神经网络与注意力机制的情报关系提取方法 | |
CN110442718B (zh) | 语句处理方法、装置及服务器和存储介质 | |
CN104834747B (zh) | 基于卷积神经网络的短文本分类方法 | |
CN109062939A (zh) | 一种面向汉语国际教育的智能导学方法 | |
CN110489760A (zh) | 基于深度神经网络文本自动校对方法及装置 | |
CN108363743A (zh) | 一种智能问题生成方法、装置和计算机可读存储介质 | |
CN101599071A (zh) | 对话文本主题的自动提取方法 | |
CN107943784A (zh) | 基于生成对抗网络的关系抽取方法 | |
CN102750316A (zh) | 基于语义共现模型的概念关系标签抽取方法 | |
CN107993636B (zh) | 基于递归神经网络的乐谱建模与生成方法 | |
CN107943940A (zh) | 数据处理方法、介质、系统和电子设备 | |
CN109753649A (zh) | 基于细粒度匹配信号的文本相关性度量方法和系统 | |
CN115858750A (zh) | 基于自然语言处理的电网技术标准智能问答方法及系统 | |
CN110245860B (zh) | 一种基于虚拟实验平台的自动评分的方法 | |
CN117744787B (zh) | 一阶研判规则知识合理性的智能度量方法 | |
CN112163069A (zh) | 一种基于图神经网络节点特征传播优化的文本分类方法 | |
CN116595982A (zh) | 一种基于动态图卷积的嵌套命名实体识别方法 | |
CN117216617A (zh) | 文本分类模型训练方法、装置、计算机设备和存储介质 | |
CN107818078B (zh) | 汉语自然语言对话的语义关联与匹配方法 | |
CN113449517B (zh) | 基于bert门控多窗口注意力网络模型的实体关系抽取方法 | |
CN113569560A (zh) | 一种汉语二语作文自动评分方法 | |
CN112949410B (zh) | 人工智能理科文字题解题方法、装置、设备及存储介质 | |
Shen | Text complexity analysis of college English textbooks based on blockchain and deep learning algorithms under the internet of things |
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 |