-
公开(公告)号：CN111654342A
公开(公告)日：2020-09-11
申请号：CN202010495810.4
申请日：2020-06-03
Applicant: 中国人民解放军国防科技大学
IPC: H04B17/382 , H04B17/336 , H04W74/08 , H04W16/14
Abstract: 本发明公开了一种基于有先验知识强化学习的动态频谱接入方法，属于电磁频谱技术领域。首先次用户获取频谱接入环境信息；然后确定网络的频谱接入评估模型，采用MOS模型作为接入评估模型；然后构建先验知识，获取系统中已有次用户的环境知识，并利用所获取的环境知识构建先验知识；然后根据先验知识进行Q学习，得到次用户的Q表信息；最后根据学习得到的Q表信息进行动态频谱接入。并且，本发明利用贪婪算法，对Q学习时的动作选择过程进行了优化，避免Q学习时陷入局部最优。本发明通过构建和利用先验知识，有效提升学习效率和系统动态频谱接入性能。
-
Patent Agency Ranking
公开(公告)号：CN113722510A
公开(公告)日：2021-11-30
申请号：CN202111068700.0
申请日：2021-09-13
Applicant: 中国人民解放军国防科技大学
IPC: G06F16/36 , G06F16/332 , G06F16/33 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的知识图谱复杂问题生成方法及系统，属于自然语言处理领域。所述方法包括将输入的带权值的知识图谱子图进行重构，转换成有向无权的知识图谱子图；初始化所述有向无权的知识图谱子图中的向量表示；利用Bi‑MHDGT图神经网络对知识图谱子图进行编码，结合知识图谱子图结构信息更新节点的向量表示；根据更新后的节点向量表示，使用GRU网络进行解码，并使用注意力机制和复制机制，生成复杂问题。本发明方法能有效提升对输入知识图谱子图的编码能力，准确提取生成问题所需的复杂关系信息，实现生成复杂问题的目的。
-
公开(公告)号：CN111654342B
公开(公告)日：2021-02-12
申请号：CN202010495810.4
申请日：2020-06-03
Applicant: 中国人民解放军国防科技大学
IPC: H04B17/382 , H04B17/336 , H04W74/08 , H04W16/14
Abstract: 本发明公开了一种基于有先验知识强化学习的动态频谱接入方法，属于电磁频谱技术领域。首先次用户获取频谱接入环境信息；然后确定网络的频谱接入评估模型，采用MOS模型作为接入评估模型；然后构建先验知识，获取系统中已有次用户的环境知识，并利用所获取的环境知识构建先验知识；然后根据先验知识进行Q学习，得到次用户的Q表信息；最后根据学习得到的Q表信息进行动态频谱接入。并且，本发明利用贪婪算法，对Q学习时的动作选择过程进行了优化，避免Q学习时陷入局部最优。本发明通过构建和利用先验知识，有效提升学习效率和系统动态频谱接入性能。
-
公开(公告)号：CN113836281B
公开(公告)日：2024-11-12
申请号：CN202111068697.2
申请日：2021-09-13
Applicant: 中国人民解放军国防科技大学
IPC: G06F16/332 , G06F16/33 , G06F40/186 , G06F40/295
Abstract: 本发明公开了一种基于自动问答的实体关系联合抽取方法，属于信息抽取和自然语言处理技术领域。包括对数据进行预处理；设计实体抽取问题模板并生成实体抽取问答对；基于预训练语言模型的第一自动问答模型抽取实体；结合识别出的实体和根据数据集特点设计的关系抽取问题模板，采用无监督方式生成关系抽取问答对；基于预训练语言模型的第二自动问答模型抽取关系；将第一自动问答模型和第二自动问答模型进行联合训练；将关系抽取问答对和输出的尾实体进行三元组转化。本发明将实体关系抽取转化为问答任务，可以有效解决实体关系抽取中存在的跨句关系、多元关系难以识别的问题，且能识别出训练集中未预先定义的实体关系类型。
-
公开(公告)号：CN113722510B
公开(公告)日：2024-04-05
申请号：CN202111068700.0
申请日：2021-09-13
Applicant: 中国人民解放军国防科技大学
IPC: G06F16/36 , G06F16/332 , G06F16/33 , G06N3/042 , G06N3/0455 , G06N3/08 , G06N5/022
Abstract: 本发明公开了一种基于图神经网络的知识图谱复杂问题生成方法及系统，属于自然语言处理领域。所述方法包括将输入的带权值的知识图谱子图进行重构，转换成有向无权的知识图谱子图；初始化所述有向无权的知识图谱子图中的向量表示；利用Bi‑MHDGT图神经网络对有向无权的知识图谱子图进行编码，结合有向无权的知识图谱子图结构信息更新节点的向量表示；根据更新后的节点向量表示，使用GRU网络进行解码，并使用注意力机制和复制机制，生成复杂问题。本发明方法能有效提升对输入知识图谱子图的编码能力，准确提取生成问题所需的复杂关系信息，实现生成复杂问题的目的。
-
公开(公告)号：CN113836281A
公开(公告)日：2021-12-24
申请号：CN202111068697.2
申请日：2021-09-13
Applicant: 中国人民解放军国防科技大学
IPC: G06F16/332 , G06F16/33 , G06F40/186 , G06F40/295
Abstract: 本发明公开了一种基于自动问答的实体关系联合抽取方法，属于信息抽取和自然语言处理技术领域。包括对数据进行预处理；设计实体抽取问题模板并生成实体抽取问答对；基于预训练语言模型的第一自动问答模型抽取实体；结合识别出的实体和根据数据集特点设计的关系抽取问题模板，采用无监督方式生成关系抽取问答对；基于预训练语言模型的第二自动问答模型抽取关系；将第一自动问答模型和第二自动问答模型进行联合训练；将关系抽取问答对和输出的尾实体进行三元组转化。本发明将实体关系抽取转化为问答任务，可以有效解决实体关系抽取中存在的跨句关系、多元关系难以识别的问题，且能识别出训练集中未预先定义的实体关系类型。
-
-
-
-
-
Search Results
6
records
(took 0.034 seconds)
