-
公开(公告)号：CN113591879B
公开(公告)日：2024-10-29
申请号：CN202110831409.8
申请日：2021-07-22
Applicant: 大连理工大学
IPC: G06V10/44 , G06V10/74 , G06V10/762 , G06V10/77 , G06V10/82 , G06N3/04 , G06N3/0895
Abstract: 本发明公开了基于自监督学习的深度多视图聚类方法、网络、装置及存储介质，属于深度多视图聚类领域，应用于异常点检测、多种产品的价值组合和目标用户的群体划分等多种应用场景，该方法使用了一种自监督的成对约束传播模型，通过融合的自编码器提取多个视图的潜在一致特征后基于多视图的共性特征可以自动地从数据中挖掘监督约束信息，随后用于优化聚类特征提取模型，充分地挖掘了数据的潜在价值，有效地降低了人工标记的成本同时提升了多视图聚类的性能，实验证明，本发明提出的方法相比现存的基准算法能取得更好的结果。
-
公开(公告)号：CN113268582A
公开(公告)日：2021-08-17
申请号：CN202110559680.0
申请日：2021-05-21
Applicant: 大连理工大学
IPC: G06F16/335 , G06F16/9537 , G06F40/216 , G06F40/242 , G06Q50/00 , G16H20/70
Abstract: 一种面向社交媒体文本抑郁倾向性分析的基于排序学习模型的特征加权方法，该方法包括以下步骤：S1、采集和预处理社交媒体文本数据；S2、面向抑郁情绪的文本特征抽取；S3、训练排序模型；S4、基于排序模型的抑郁风险评估。采集社交媒体文本上用户所发布的文本数据，文本数据包括“抑郁”话题下的数据和其他话题下的数据，“抑郁”话题下的数据作为模型训练中的正样本，其他话题下的数据作为模型训练的负样本；本发明将基于社交媒体的抑郁检测看作是风险评估问题，进而利用排序学习算法，对于具有潜在抑郁风险的社交媒体用户进行风险水平的排序，有益于早期检测出具有抑郁倾向的用户，有针对性的开展心理疏导和临床治疗。
-
Patent Agency Ranking
公开(公告)号：CN113268582B
公开(公告)日：2024-12-17
申请号：CN202110559680.0
申请日：2021-05-21
Applicant: 大连理工大学
IPC: G06F16/335 , G06F16/9537 , G06F40/216 , G06F40/242 , G06Q50/00 , G16H20/70
Abstract: 一种面向社交媒体文本抑郁倾向性分析的基于排序学习模型的特征加权方法，该方法包括以下步骤：S1、采集和预处理社交媒体文本数据；S2、面向抑郁情绪的文本特征抽取；S3、训练排序模型；S4、基于排序模型的抑郁风险评估。采集社交媒体文本上用户所发布的文本数据，文本数据包括“抑郁”话题下的数据和其他话题下的数据，“抑郁”话题下的数据作为模型训练中的正样本，其他话题下的数据作为模型训练的负样本；本发明将基于社交媒体的抑郁检测看作是风险评估问题，进而利用排序学习算法，对于具有潜在抑郁风险的社交媒体用户进行风险水平的排序，有益于早期检测出具有抑郁倾向的用户，有针对性的开展心理疏导和临床治疗。
-
公开(公告)号：CN115129818A
公开(公告)日：2022-09-30
申请号：CN202210805075.1
申请日：2022-07-10
Applicant: 大连理工大学
IPC: G06F16/33 , G06F16/35 , G06F40/242 , G06F40/279 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于知识驱动多分类的情绪原因对提取方法及系统，本发明将数据集文档分词后，计算从句中每个词的情绪分数，相加得到从句的情绪分数。再通过长短期记忆人工神经网络学习文档上下文信息，结合位置嵌入学习和窗口搜索提取情绪‑原因对。本发明联合语义知识嵌入，位置信息学习和窗口搜索提高情绪‑原因对提取的准确率。缓解了标签不平衡等问题，在公开的数据集上有较好的效果。
-
公开(公告)号：CN116069930A
公开(公告)日：2023-05-05
申请号：CN202310098522.9
申请日：2023-02-10
Applicant: 大连理工大学
IPC: G06F16/35 , G06N3/042 , G06N3/0442 , G06N3/0455
Abstract: 一种基于带边特征的图神经网络和文档分割的文档情绪原因抽取方法，属于属于自然语言处理领域，为解决提高情绪原因分类效率的问题，要点是根据所述节点向量，获取情绪节点因子以及原因节点因子；将所述情绪节点因子以及原因节点因子两两配对获取边特征向量；通过节点特征向量矩阵和边特征向量矩阵构建全连接图；根据所述全连接图更新节点特征，将更新后的节点特征两两进行配对，配对后的节点对与边特征拼接，拼接后的结果进行更新，得到更新后的边特征；更新后的边特征经过线性分类器，得到情绪原因关系分类结果，所述情绪原因关系分类结果作为情绪原因关系预测结果标签，效果是提高了情绪原因分类准确率和效率。
-
公开(公告)号：CN113591879A
公开(公告)日：2021-11-02
申请号：CN202110831409.8
申请日：2021-07-22
Applicant: 大连理工大学
Abstract: 本发明公开了基于自监督学习的深度多视图聚类方法、网络、装置及存储介质，属于深度多视图聚类领域，应用于异常点检测、多种产品的价值组合和目标用户的群体划分等多种应用场景，该方法使用了一种自监督的成对约束传播模型，通过融合的自编码器提取多个视图的潜在一致特征后基于多视图的共性特征可以自动地从数据中挖掘监督约束信息，随后用于优化聚类特征提取模型，充分地挖掘了数据的潜在价值，有效地降低了人工标记的成本同时提升了多视图聚类的性能，实验证明，本发明提出的方法相比现存的基准算法能取得更好的结果。
-
公开(公告)号：CN113268594A
公开(公告)日：2021-08-17
申请号：CN202110559683.4
申请日：2021-05-21
Applicant: 大连理工大学
IPC: G06F16/35 , G06F16/332 , G06F40/216 , G06F40/279 , G06F40/35
Abstract: 一种融合领域知识的医疗对话意图识别方法，属于医疗对话和意图识别技术领域，该方法包括以下步骤：S1、语料采集和预处理，划分对话数据；S2、领域知识检索：采用检索方法获取相关的问题，以及相应问题的答案，检索模型将用户提问u和待检索的问题基于意图词的频率计算二者相似度，进而根据相似度由高到低进行排序；S3、输入单词的序列，通过领域知识问答对向量计算注意力权重，融合领域知识的对话问句表示：S4、基于组排序损失的意图识别采用面向多样化意图的组排序损失函数，训练意图识别模型，实现意图词的识别和分类。本方法可以显著提升医疗对话中用户意图识别的效果，有助于医疗对话系统的整体优化。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
