-
公开(公告)号：CN106126605B
公开(公告)日：2019-12-10
申请号：CN201610453205.4
申请日：2016-06-21
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F16/35
Abstract: 本发明公开了一种基于用户画像的短文本分类方法。本方法为：1)基于用户发出的短文本数据生成对应用户的用户画像；其中，用户ui的用户画像为用户ui属于类别ci的值；2)采用分类器对该用户ui的短文本TS进行分类，得到该短文本TS所属类别的可能性F＝{f1,...,fi,...,fm}；3)根据用户ui的用户画像与F＝{f1,...,fi,...,fm}计算该短文本TS属于各类别的值，选出最大的类别结果作为该短文本TS的类别标签。本发明大大增加了分类的准确率。
-
公开(公告)号：CN105893481B
公开(公告)日：2019-01-29
申请号：CN201610187149.4
申请日：2016-03-29
Applicant: 国家计算机网络与信息安全管理中心
Abstract: 本发明提供一种基于马尔可夫聚类的实体间关系消解方法，包括：计算K个实体中任意两个实体之间的语义相似度；根据实体间的语义相似度构造赋权图G；构造状态转移矩阵M；在状态转移矩阵M上执行马尔科夫聚类算法，得到多个关系簇；其中，每个簇代表一系列语义相近似的实体。本发明提供的基于马尔可夫聚类的实体间关系消解方法具有以下优点：提出了融合词法和语义的相似度计算方法，然后给出了基于马尔科夫图聚类的关系聚类方法。该方法与层次聚类方法相比，聚类纯度指标有了一定提高，还具有计算过程简单快速的优点。
-
公开(公告)号：CN107577782A
公开(公告)日：2018-01-12
申请号：CN201710827978.9
申请日：2017-09-14
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F17/30
Abstract: 本发明公开了一种基于异质数据的人物相似度刻画方法，属于数据挖掘领域。本发明首先搜集用户的微博文本，获取用户之间的关注关系以及各用户的基本信息，针对不同类型数据的特点个性化选择处理方式，并对于微博文本采用Doc2vec模型，结合上下文信息将文本表示成向量，再根据定义的相似度函数衡量相似度，最后将不同维度得到的矩阵进行融合，刻画用户最终的相似度。本发明引入了多种社交网络信息，包括社交关系数据、用户属性数据和用户文本数据等，通过对不同类型的信息加以综合考虑，以得到更全面的人物相似度刻画方法；同时本发明提供了对于多种数据的处理和计算方案，利用完整的数据和加权融合方法，个性化计算不同偏好的人物相似度。
-
公开(公告)号：CN106126606A
公开(公告)日：2016-11-16
申请号：CN201610453319.9
申请日：2016-06-21
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F17/30
Abstract: 本发明公开了一种短文本新词发现方法。本方法为：1)从当前短文本中提取一字符串s，计算该字符串s的对称条件概率SCP(s)以及该字符串s的左邻熵HL(s)和右邻熵HL(s)；2)取左邻熵HL(s)和右邻熵HL(s)的较小值，记为BE(s)；3)计算该字符串s的成词概率Prword(s)，根据Prword(s)的值确定词s是否为新词。本发明大大提高了新词发现的准确率。
-
公开(公告)号：CN105912644A
公开(公告)日：2016-08-31
申请号：CN201610217911.9
申请日：2016-04-08
Applicant: 国家计算机网络与信息安全管理中心 , 北京航空航天大学
CPC classification number: G06F16/345 , G06F17/2775
Abstract: 本发明公开了一种网络评论产生式摘要方法。首先，基于标点符号对评论进行短语分割、分词并标记每个词语的词性，进而基于评论对象参数字典和句法模板过滤掉与评论对象无关的短语；然后，计算短语情感极性强度值，根据评论对象参数的所有短语的情感极性强度值对评论对象参数的重要性进行排序，选取最重要的一部分参数进行摘要生成；最后，针对选取的每个参数，选取一个对该参数最重要的一个评论短语，把选取的所有短语置入到设计好的摘要模板中以生成评论摘要。本发明综合利用了情感分析、词性分析等技术提取有效的用户评论信息，并根据设计好的模板生成摘要，对提高摘要的可读性和准确性有很大帮助。
-
Patent Agency Ranking
公开(公告)号：CN105843957A
公开(公告)日：2016-08-10
申请号：CN201610236172.8
申请日：2016-04-15
Applicant: 国家计算机网络与信息安全管理中心
Abstract: 本发明实施例提供一种微博深度分类方法及系统，该方法包括：将分词处理后的第一微博训练样本数据分别与各第一筛选词库进行词汇匹配，确定所述第一微博训练样本数据在所述各第一筛选词库中出现的词汇频率；将所述第一微博训练样本数据在所述各第一筛选词库中出现的词汇频率进行归一化处理，并将归一化处理后的数据输入学习模型；根据所述学习模型的输出确定微博事件分类模型；根据所述微博事件分类模型对微博文本进行分类。本发明实施例提供的微博深度分类方法及系统，能够对微博文本进行深入的细化分类，提高微博文本的分类正确率。
-
公开(公告)号：CN108628828B
公开(公告)日：2022-04-01
申请号：CN201810347840.3
申请日：2018-04-18
Applicant: 国家计算机网络与信息安全管理中心 , 北京航空航天大学
IPC: G06F40/30 , G06F40/289 , G06F16/35
Abstract: 本发明一种基于自注意力的观点及其持有者的联合抽取方法：S1.构建提取观点及其持有者的语料集；S2.识别包含观点的语句；S3.联合抽取观点及其持有者。本发明优点：1、文本分类模型避免了抽取出的句子不包含观点的情况；2、观点及其持有者联合抽取模型摆脱了词性标注、命名实体识别和句法依存分析等自然语言处理环节，避免这些环节出现误差对模型提取效果的影响，且该模型有很高灵活度和覆盖面；3、本发明包含构建提取观点及其持有者的语料集，识别包含观点的语句，联合抽取观点及其持有者。4、本发明在双向LSTM的基础上使用self‑attention有效结合两者优点，使词语序列的表示语义更丰富，训练的模型准确率更高。
-
公开(公告)号：CN108563686B
公开(公告)日：2021-07-30
申请号：CN201810208801.5
申请日：2018-03-14
Applicant: 中国科学院自动化研究所 , 国家计算机网络与信息安全管理中心
IPC: G06F16/35 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机技术领域，具体提供了一种基于混合神经网络的社交网络谣言识别方法及系统，旨在解决如何在考虑谣言转发评论信息的情况下，准确识别社交网络中谣言的技术问题。为此目的，本发明中社交网络谣言识别方法，首先利用三种不同的神经网络分别获取用户特征向量、原文特征向量和传播信息特征向量，然后将用户特征向量、原文特征向量和传播信息特征向量融合为新的特征向量，最后利用第四种神经网络对融合后的特征向量进行谣言识别。基于上述步骤，能够快速且准确地检测到社交网络中的谣言。同时，本发明中的系统能够执行并实现上述步骤。
-
公开(公告)号：CN107577782B
公开(公告)日：2021-04-30
申请号：CN201710827978.9
申请日：2017-09-14
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F16/335 , G06F16/33 , G06F16/9535
Abstract: 本发明公开了一种基于异质数据的人物相似度刻画方法，属于数据挖掘领域。本发明首先搜集用户的微博文本，获取用户之间的关注关系以及各用户的基本信息，针对不同类型数据的特点个性化选择处理方式，并对于微博文本采用Doc2vec模型，结合上下文信息将文本表示成向量，再根据定义的相似度函数衡量相似度，最后将不同维度得到的矩阵进行融合，刻画用户最终的相似度。本发明引入了多种社交网络信息，包括社交关系数据、用户属性数据和用户文本数据等，通过对不同类型的信息加以综合考虑，以得到更全面的人物相似度刻画方法；同时本发明提供了对于多种数据的处理和计算方案，利用完整的数据和加权融合方法，个性化计算不同偏好的人物相似度。
-
公开(公告)号：CN106168969B
公开(公告)日：2019-05-14
申请号：CN201610524367.2
申请日：2016-07-05
Applicant: 国家计算机网络与信息安全管理中心
IPC: G06F16/958
Abstract: 本发明提供一种信源重要度的评级方法及评级系统，评级方法包括：步骤1，计算信源所属网站的网站重要度值W1；步骤2，计算信源在所属行业的行业重要度值W2；步骤3，预设定网站重要度权重值C1和行业重要度权重值C2；根据下式计算得到信源重要度值M:信源重要度值M＝网站重要度值W1*网站重要度权重值C1+行业重要度值W2*行业重要度权重值C2；步骤4，根据信源重要度值M对信源进行重要度评级，并输出信源重要度评级结果。优点为：本发明能够对信源进行客观、科学合理、有效实用的信源重要度评级。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.045 seconds)
