-
公开(公告)号：CN119168029A
公开(公告)日：2024-12-20
申请号：CN202410933069.3
申请日：2024-07-12
Applicant: 华侨大学
Abstract: 本发明公开了一种构建基于上下文的五何问句生成模型的方法及装置,包括如下步骤：S1、首先将知识图谱进行子图拆分，得到知识图谱子图；S2、将S1所述的知识图谱子图按照关系路径的相似性计算得到多组正样本子图；S3、将S2所述的正样本子图进行图对比学习，获得每一个子图的语义表征；S4、基于S3所述的语义表征通过相似度算法查找输入子图在示例图谱问句集中的相似子图并得到自适应的演示示例；S5、将S4所述的输入子图与演示示例代入指令模板，得到指令文本,并送入大语言模型，生成问句。
-
公开(公告)号：CN116070786B
公开(公告)日：2023-06-20
申请号：CN202310212028.0
申请日：2023-03-07
Applicant: 华侨大学 , 中国医学科学院阜外医院
IPC: G06Q10/04 , G06F16/28 , G06F18/25 , G06N3/0455 , G06N3/08
Abstract: 本发明实施例提供一种基于事件演化图的多标记事件预测方法、装置和介质，涉及事件预测技术领域。其中，这种多标记事件预测方法包含S1、获取已知事件链。S2、根据事件演化图，获取候选事件组合集。其中，事件演化图根据历史数据集构造，且包含顺承关系和同时关系。候选事件组合集包含多个候选事件组合。候选事件组合包含1个或多个候选事件。S3、将已知事件链和候选事件组合集输入预先训练好的多标记事件预测模型，获取预测发生事件。预测发生事件为候选事件组合集中的一个候选事件组合所包含的候选事件。其中，多标记事件预测模型包括编码器、门控图神经网络、筛选模型、解码器。
-
公开(公告)号：CN113610299B
公开(公告)日：2023-05-26
申请号：CN202110904109.8
申请日：2021-08-06
Applicant: 华侨大学
IPC: G06Q10/04 , G06F18/213 , G06N3/048 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了基于特征衰减强化神经网络的信息传播预测方法及装置，通过网络表示模型对网络数据的用户构建用户初始特征表示，并结合多阶邻居影响力衰减机制对用户初始特征表示进行更新，得到用户特征表示；将传播序列所对应的用户特征表示输入GRU模型，得到隐藏态，将隐藏态融合时间衰减特征，得到时间衰减隐藏态；聚合多个被影响的用户特征表示，得到聚合用户特征，结合聚合用户特征和时间衰减隐藏态，计算得到下一个转发用户的激活概率，根据激活概率预测出信息传播路径；基于传播序列的真实热度规模结合GRU模型与强化学习网络，获得信息传播的预测热度规模。本发明融合多阶邻居衰减影响力机制与时间衰减特征进行信息传播预测，提高模型预测能力。
-
公开(公告)号：CN113535984B
公开(公告)日：2023-05-26
申请号：CN202110919665.2
申请日：2021-08-11
Applicant: 华侨大学
IPC: G06F16/36 , G06F40/30 , G06F18/2415 , G06N3/0464 , G06N3/08 , G06Q10/04
Abstract: 本发明公开了一种基于注意力机制的知识图谱关系预测方法及装置，利用Trans模型获得三元组实体的嵌入，将三元组中的关系当作头实体和尾实体间翻译操作，得到三元组向量表示，针对知识图谱中三元组实体描述的全部文本信息采用Doc2Vec模型进行嵌入，得到实体描述向量表示，通过Trans模型得到的三元组向量表示与实体层次类型映射矩阵结合，得到实体类型向量表示，采用融合三元组向量表示、实体描述向量表示以及实体类型向量表示的三元组实体向量作为编码器输入，编码器基于知识图谱设计注意力机制，得到关系层次、实体层次、三元组层次的权重，解码器则利用ConvKB模型重构知识图谱，进行关系预测。本发明可用于知识图谱推理，根据已知的知识推理出未知的潜在的知识。
-
公开(公告)号：CN115292456A
公开(公告)日：2022-11-04
申请号：CN202210587837.5
申请日：2022-05-27
Applicant: 华侨大学
IPC: G06F16/332 , G06F16/33 , G06F40/242 , G06F40/247 , G06K9/62
Abstract: 本发明公开一种基于知识驱动的非合作式人格预测方法及系统，包括：步骤1，将获得的人格相关词汇作为种子词进行翻译和分类，并对结果进行校正，构建种子词典；步骤2，选择各类不同类别领域的社交媒体用户，获取其发布的原创文本信息并进行预处理，构建语料库，并使用语料库训练词向量模型；步骤3，利用训练好的词向量模型计算种子词与语料库中的候选词之间的余弦相似度，选择相似度大的候选词对种子词典进行扩展，构建基础词典；步骤4，对基础词典进行同义词补充，构建人格词典；步骤5，利用人格词典提出基于词汇权重和词频的人格评分算法，并根据人格评分算法获取待测用户的人格特质。本发明提高了人格预测方法的可解释性和可推广性。
-
Patent Agency Ranking
公开(公告)号：CN112820400B
公开(公告)日：2022-07-05
申请号：CN202110113829.2
申请日：2021-01-27
Applicant: 华侨大学
Abstract: 本发明公开了一种基于医疗知识图谱知识推理的疾病诊断方法、装置及设备，方法包括：获取用户与医疗问答系统的交互内容，并基于所述交互内容获取到用户的用户症状集；根据所述用户症状集，计算所述用户存在事件的第一概率根据所述第一概率计算用户S与di病共现的第二概率根据所述第一概率与第二概率计算用户患di病的第三概率基于动态阈值以及所述第三概率，输出用户的最终疾病诊断结果。本发明既可以作为医生诊断的辅助工具，提高医生的工作效率，也可以用于患者的初步自查，还可以服务于高层次人工智能医疗应用，例如医疗问答系统、医疗辅助诊断、私人人工智能健康助理等。
-
公开(公告)号：CN111753101A
公开(公告)日：2020-10-09
申请号：CN202010623201.2
申请日：2020-06-30
Applicant: 华侨大学
Abstract: 本发明提出了一种融合实体描述及类型的知识图谱表示学习方法，包括以下步骤：步骤S1：利用翻译模型获得三元组实体的嵌入，将三元组中的关系当作头实体和尾实体间翻译操作，得到每个三元组实体和关系的数值向量表示；步骤S2：采用Doc2Vec模型，对实体描述的文本信息进行嵌入；步骤S3：通过Trans模型得到的实体嵌入，与实体层次类型映射矩阵结合，得到三元组实体类型的嵌入；步骤S4：将所有的表示向量进行连接，得到最终的三元组实体向量，采用随机梯度下降的方法优化训练模型，进行效果评估。本发明提出的方法，通过实体描述及实体类型的嵌入，提高了知识图谱三元组实体表示的语义信息。
-
公开(公告)号：CN111428113A
公开(公告)日：2020-07-17
申请号：CN202010229129.5
申请日：2020-03-27
Applicant: 华侨大学
IPC: G06F16/951 , G06F16/9536 , G06F16/33 , G06F16/35 , G06Q50/00
Abstract: 本发明公开了一种基于模糊综合评判的网络舆论引导效果预测方法，通过网络爬虫技术爬取事件相关信息，根据网络舆论态势指数，构建网络舆论威胁评估指标体系；对网络舆论态势指标进行威胁等级模糊化，并利用模糊综合评判合成威胁等级模糊集；对威胁等级模糊集解模糊化，得到网络舆情威胁指数，进行舆情评估；实现了对网络舆论引导方法的效果预测，为有效的舆论引导提供辅助决策信息，对事件的进行实时监测和预警，也可用于事件引导仿真的效果度量。
-
公开(公告)号：CN110110094A
公开(公告)日：2019-08-09
申请号：CN201910323380.5
申请日：2019-04-22
Applicant: 华侨大学
IPC: G06F16/36 , G06F16/9535 , G06Q50/00
Abstract: 本发明公开了基于社交网络知识图谱的跨网络人物关联方法，属于知识图谱与社交网络分析领域，包括以下步骤：步骤1.训练词向量；步骤2.发现候选实体；步骤3.根据社交网络知识图谱的结构特征，计算网络度量指标；步骤4.用户向量生成；步骤5.定义社交网络结构相似度和用户画像语义相似度；步骤6.融合相似度计算，根据融合相似度确定待关联的人物实体的跨网络人物关联的最终节点。该发明可用于社交网络中挖掘用户信息，发现重要节点，也可以用作对重要节点信息的补全，为精准推荐提供数据支撑。
-
公开(公告)号：CN110059187A
公开(公告)日：2019-07-26
申请号：CN201910284597.X
申请日：2019-04-10
Applicant: 华侨大学
Abstract: 本发明公开了一种集成浅层语义预判模态的深度学习文本分类方法，方法包括：首先对文本语料实施常规的CNN深度学习训练，包括词嵌入、卷积、池化和模式输出；其次利用领域词汇字典作为浅层语义词汇，基于浅层语义词汇，计算浅层语义预判模式；接下来将浅层语义预判模态和深度学习决策模态进行双模态融合，作为SDG-CNN模型最终的决策模式，进而以该决策模式构建损失函数和实施参数优化。本发明解决了传统深度学习模型在模型优化过程中缺乏背景知识和语义信息，信息模态单一的缺陷，提升了深度学习文本分类模型的性能。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.03 seconds)
