-
公开(公告)号：CN114638195B
公开(公告)日：2022-11-18
申请号：CN202210069337.2
申请日：2022-01-21
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 东莞理工学院 , 湖南大学
IPC: G06F40/126 , G06F40/211 , G06F40/284 , G06F16/35 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多任务学习的立场检测方法。该方法通过将输入文本输入至多任务图网络模型，得到输入文本的立场检测极性和情感分类极性；所述多任务图网络模型为图卷积神经网络模型，多任务图网络模型包括文本输入处理模块、任务交互模块和任务相关注意力模块；文本输入处理模块用于将输入文本处理成多个词向量；任务交互模块用于构建立场相关图和情感相关图，并采用迭代交互异质图更新方法对立场相关图和情感相关图进行更新；任务相关注意力模块用于根据立场相关图的立场特征表示和情感相关图的情感特征表示计算输入文本的检测立场的极性和分类情感的极性。本发明技术方案提高了针对推文文本进行立场检测的准确性。
-
公开(公告)号：CN114638195A
公开(公告)日：2022-06-17
申请号：CN202210069337.2
申请日：2022-01-21
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 东莞理工学院 , 湖南大学
IPC: G06F40/126 , G06F40/211 , G06F40/284 , G06F16/35 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多任务学习的立场检测方法。该方法通过将输入文本输入至多任务图网络模型，得到输入文本的立场检测极性和情感分类极性；所述多任务图网络模型为图卷积神经网络模型，多任务图网络模型包括文本输入处理模块、任务交互模块和任务相关注意力模块；文本编码模块用于将输入文本处理成多个词向量；任务交互模块用于构建立场相关图和情感相关图，并采用迭代交互异质图更新方法对立场相关图和情感相关图进行更新；任务相关注意力模块用于根据立场相关图的立场特征表示和情感相关图的情感特征表示计算输入文本的检测立场的极性和分类情感的极性。本发明技术方案提高了针对推文文本进行立场检测的准确性。
-
公开(公告)号：CN114969318B
公开(公告)日：2023-04-07
申请号：CN202210069686.4
申请日：2022-01-21
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 东莞理工学院
IPC: G06F16/35 , G06F16/36 , G06F40/284 , G06F40/211 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多图稀疏交互网络的多任务立场检测方法。该方法通过将输入文本输入至多图稀疏交互网络模型，得到所述输入文本的立场检测极性和情感分类极性；所述多图稀疏交互网络模型包括文本编码模块、多图构建模块、多图稀疏交互模块和任务相关注意力模块；所述多图构建模块用于构建所述多图稀疏交互网络模型的立场任务图、情感任务图和任务关系图；多图稀疏交互模块用于对立场任务图、情感任务图和任务关系图的图内节点特征进行更新，和对节点特征在图间的稀疏交互进行更新；所述任务相关注意力模块用于计算输入文本的检测立场的极性和分类情感的极性。本发明技术方案提高了针对推文文本进行立场检测的准确性。
-
公开(公告)号：CN114969318A
公开(公告)日：2022-08-30
申请号：CN202210069686.4
申请日：2022-01-21
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) , 东莞理工学院
IPC: G06F16/35 , G06F16/36 , G06F40/284 , G06F40/211 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多图稀疏交互网络的多任务立场检测方法。该方法通过将输入文本输入至多图稀疏交互网络模型，得到所述输入文本的立场检测极性和情感分类极性；所述多图稀疏交互网络模型包括文本编码模块、多图构建模块、多图稀疏交互模块和任务相关注意力模块；所述多图构建模块用于构建所述多图稀疏交互网络模型的立场任务图、情感任务图和任务关系图；多图稀疏交互模块用于对立场任务图、情感任务图和任务关系图的图内节点特征进行更新，和对节点特征在图间的稀疏交互进行更新；所述任务相关注意力模块用于计算输入文本的检测立场的极性和分类情感的极性。本发明技术方案提高了针对推文文本进行立场检测的准确性。
-
公开(公告)号：CN115510226A
公开(公告)日：2022-12-23
申请号：CN202211070367.1
申请日：2022-09-02
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G06F16/35 , G06F16/36 , G06F40/211 , G06F40/242 , G06F40/30 , G06N3/04 , G06N3/08 , G06F17/16 , G06K9/62
Abstract: 本申请属于自然语言处理技术领域，公开了一种基于图神经网络的情感分类方法。通过利用BERT编码器得到文本句的上下文表示；基于句法依赖树，构建初始邻接矩阵；使用Glove词向量模型将初始邻接矩阵映射成初始化邻接矩阵表示；构建根选择分数向量和初始化邻接矩阵表示输入到结构归纳器中，获取潜在图以及语义图；将潜在图和语义图输入到图卷积神经网络中得到潜在图表示和语义图表示，将其结合交互得到经过语义信息增强的潜在图表示和与潜在图交互后的语义图表示；进一步获取用于情感分析的特征表示，经过平均池化操作得到最终特征表示，输入到图卷积网络的线性层，得到文本句的情感极性。实现更好的关联方面词与意见词，提高情感分类的准确性。
-
Patent Agency Ranking
公开(公告)号：CN115631798B
公开(公告)日：2023-08-08
申请号：CN202211276710.8
申请日：2022-10-17
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B40/20 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/084 , G06F18/2415 , G06F18/25
Abstract: 本发明公开了一种基于图对比学习的生物分子分类方法及装置，通过将获取的目标生物分子图输入到预训练的编码器中，将得到的目标生物分子图中的所有节点特征进行融合，得到目标生物分子图标签；编码器的预训练过程包括：将生物分子图输入第一编码器，得到生物分子图特征，将生物分子图输入第二编码器，得到生物分子图正例特征；将构造的生物分子图负例输入到第二编码器中，得到生物分子图负例的负例特征；获取每轮负例入队训练个数，基于生物分子图特征、生物分子图正例特征、负例特征和每轮负例入队训练个数，对第一编码器和第二编码器进行更新，得到预训练的编码器。与现有技术相比，本发明的技术方案能提高生物分子分类的准确性。
-
公开(公告)号：CN112183580B
公开(公告)日：2021-08-10
申请号：CN202010927478.4
申请日：2020-09-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 一种基于动态知识路径学习的小样本分类方法，包括如下步骤：基于知识图的知识挑选阶段，通过将辅助集组成知识图，用以小样本实例在知识图中寻找适合自己的学习路径；基于类别约束的动态路径生成阶段，小样本实例选择知识图中最相关的知识点组成路径，引入路径在类别级的约束，获得类别共性，通过计算路径损失来约束路径的好坏；基于路径的知识学习与分类阶段，顺序地将最相关的知识点所携带的信息提取出来增强目标实例的特征表达，查询集实例与支撑集中每一个小样本实例的特征表达进行相似度计算，使得目标实例分到相似度最高的类别上，然后使用交叉熵损失来衡量分类损失，通过分类损失和路径损失的加权求和建立小样本分类模型。
-
公开(公告)号：CN113052203A
公开(公告)日：2021-06-29
申请号：CN202110181592.1
申请日：2021-02-09
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了一种面向多种类数据的异常检测方法及装置。所述面向多种类数据的异常检测方法通过训练对抗学习网络，使对抗学习网络中的生成器拟合正常训练样本的分布以及学习正常训练样本的潜在模式，得到更新的对抗学习网络，根据训练过程中产生的重构误差构造更新的对抗学习网络中的异常评价函数，并将更新的对抗学习网络构建为异常检测模型，以利用异常检测模型对输入的检测数据进行异常检测，得到异常检测结果。本发明基于传统生成对抗学习模型的异常检测方法，通过引入模式分类器的思想，有效解决了检测数据与正常数据分布相近时异常检测难的问题，进一步提高了异常检测的准确性。
-
公开(公告)号：CN115631798A
公开(公告)日：2023-01-20
申请号：CN202211276710.8
申请日：2022-10-17
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B40/20 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/084 , G06F18/2415 , G06F18/25
Abstract: 本发明公开了一种基于图对比学习的生物分子分类方法及装置，通过将获取的目标生物分子图输入到预训练的编码器中，将得到的目标生物分子图中的所有节点特征进行融合，得到目标生物分子图标签；编码器的预训练过程包括：将生物分子图输入第一编码器，得到生物分子图特征，将生物分子图输入第二编码器，得到生物分子图正例特征；将构造的生物分子图负例输入到第二编码器中，得到生物分子图负例的负例特征；获取每轮负例入队训练个数，基于生物分子图特征、生物分子图正例特征、负例特征和每轮负例入队训练个数，对第一编码器和第二编码器进行更新，得到预训练的编码器。与现有技术相比，本发明的技术方案能提高生物分子分类的准确性。
-
公开(公告)号：CN113052203B
公开(公告)日：2022-01-18
申请号：CN202110181592.1
申请日：2021-02-09
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了一种面向多种类数据的异常检测方法及装置。所述面向多种类数据的异常检测方法通过训练对抗学习网络，使对抗学习网络中的生成器拟合正常训练样本的分布以及学习正常训练样本的潜在模式，得到更新的对抗学习网络，根据训练过程中产生的重构误差构造更新的对抗学习网络中的异常评价函数，并将更新的对抗学习网络构建为异常检测模型，以利用异常检测模型对输入的检测数据进行异常检测，得到异常检测结果。本发明基于传统生成对抗学习模型的异常检测方法，通过引入模式分类器的思想，有效解决了检测数据与正常数据分布相近时异常检测难的问题，进一步提高了异常检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.062 seconds)
