-
公开(公告)号：CN109063159B
公开(公告)日：2021-04-23
申请号：CN201810914450.X
申请日：2018-08-13
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于神经网络的实体关系抽取方法，采用机器学习方面的算法并且结合神经网络模型，将一段中文语句输入到程序模型，模型会给其中的实体单词或者语句打上特别的标签，即可以将文本中的实体提取出来，再通过一个分类算法为提取出来得到实体做关系分类，完成实体关系分类。具体是将中文文本中出现的每一个字都分配一个ID，然后把这组句子所对应的ID转换成神经网络模型的输入向量，经过bilstm以及CRF层得到的结果映射到相应的实体标签，完成实体抽取,最后将从文本中的实体使用机器学习分类的算法进行分类，最后得实体‑‑关系‑‑实体这样的三元组形式。该方法仅需要训练文本以及输入语句就可以完成关系实体抽取，是一种灵活方便的方法。
-
公开(公告)号：CN109492385A
公开(公告)日：2019-03-19
申请号：CN201811308670.4
申请日：2018-11-05
Applicant: 桂林电子科技大学
IPC: G06F21/46
Abstract: 本发明公开了一种基于深度学习的密码生成方法，1）构建初始密码生成器和初始密码判断器；2）对用户数据进行数据预处理；3）将经过预处理后的用户数据，输入初始密码生成器中，生成初始密码；4）密码生成器接收用户真实密码，将步骤3）生成的初始密码输入密码判断器中，密码判断器分辨真实密码和初始密码，将分辨结果反馈至密码生成器，密码生成器根据反馈结果进行学习优化；5）重复步骤2-步骤4），直至密码生成器学习达到最优；6）将最优化的密码生成器生成密码，作为最终的密码；该方法利用生成性对抗网络的生成器和判别器的特征，生成复杂且符合安全标准的密码，生成方式灵活，破译难度大，可以提供不同的密码供用户选择，密码易记住。
-
公开(公告)号：CN111950297A
公开(公告)日：2020-11-17
申请号：CN202010867283.5
申请日：2020-08-26
Applicant: 桂林电子科技大学
IPC: G06F40/30 , G06N3/04 , G06K9/62 , G06F40/295 , G06Q10/04
Abstract: 本发明公开了一种面向异常事件的关系抽取方法，该方法是先对突发事件相关的实体关系数据集按照结构化三元组形式进行整理，并将相关领域语句转为向量化表示；然后使用双向长短期记忆网络结合自注意力机制构建共享编码层；使用softmax函数对主实体的标注进行预测，使用卷积神经网络对关系-客实体进行共享编码，并通过主实体的预测结果增强编码表示；再次使用自注意力机制对训练参数进行优化。本发明可很好的处理突发事件文本中多对实体和关系类别的冲突问题，能提高该领域内文本实体关系的抽取质量。
-
公开(公告)号：CN110245204A
公开(公告)日：2019-09-17
申请号：CN201910508049.0
申请日：2019-06-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于定位及知识图谱的智能推荐方法，该方法利用百度地图定位技术来获取用户所处位置（如服装店、餐饮店）。筛选并提取出位置名称文本作为实体输入，通过word2vec词向量训练将实体训练成词向量，采用余弦相似度算法计算该实体节点的词向量与各个不同类型的知识图谱之间的相似度，并按相似度值排名（由高到低）对用户进行推荐，解决了传统推荐算法实体属性有限、难以有效的得到更多数据的问题。本方法有丰富的辅助信息来源，真实客观，提升了精准性、多样性和可解释性，充分满足了用户个性化推荐的需求。
-
公开(公告)号：CN110633363A
公开(公告)日：2019-12-31
申请号：CN201910883202.8
申请日：2019-09-18
Applicant: 桂林电子科技大学
IPC: G06F16/335 , G06F17/27 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于NLP和模糊多准则决策的文本实体推荐方法，其特征在于，包括如下步骤：1）采用word2vec对文本进行词向量训练；2）对每个词向量进行相似度计算；3）构造模糊多准则决策的推荐过程；4）量化实体词向量相似度参数5）构造模糊决策标准矩阵；6）用相对比较法确定标准实体的权重；7）使用模糊聚合算子量化实体推荐过程的总体用户偏好；8）得到被推荐实体的排名，进行推荐。这种方法能缩短文本实体推荐时间、提高词向量相似度精度，同时具有推荐精度高、软件运算量低的特点，在保证文本相似度精度的前提下实现精准推荐的要求。
-
Patent Agency Ranking
公开(公告)号：CN110049447A
公开(公告)日：2019-07-23
申请号：CN201910294259.4
申请日：2019-04-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于位置信息的伙伴关系分析方法，包括wifi发射单元、wifi信号强度检测终端、数据处理终端和伙伴关系分析单元组成的分析模型，分析方法步骤为：1）wifi发射单元设置在需要检测的场所；2）wifi信号强度检测终端采集wifi发射单元发射的信号强度，将信号强度信息实时报送至数据处理终端；3）数据处理终端将接收到的信号强度与线下预先采集完成的指纹数据库进行对比，采用KNN算法计算得到实时位置信息，并采用K-Mean聚类方法将收集的所有的位置信息进行聚类，最后将位置信息和聚类信息报送至伙伴关系分析单元；4）伙伴关系分析单元通过聚类关系和位置信息分析得到伙伴关系的分析结果。该方法实时性强，计算量小，精度高，能得到准确的伙伴关系。
-
公开(公告)号：CN109063159A
公开(公告)日：2018-12-21
申请号：CN201810914450.X
申请日：2018-08-13
Applicant: 桂林电子科技大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于神经网络的实体关系抽取方法，采用机器学习方面的算法并且结合神经网络模型，将一段中文语句输入到程序模型，模型会给其中的实体单词或者语句打上特别的标签，即可以将文本中的实体提取出来，再通过一个分类算法为提取出来得到实体做关系分类，完成实体关系分类。具体是将中文文本中出现的每一个字都分配一个ID，然后把这组句子所对应的ID转换成神经网络模型的输入向量，经过bilstm以及CRF层得到的结果映射到相应的实体标签，完成实体抽取,最后将从文本中的实体使用机器学习分类的算法进行分类，最后得实体‑‑关系‑‑实体这样的三元组形式。该方法仅需要训练文本以及输入语句就可以完成关系实体抽取，是一种灵活方便的方法。
-
公开(公告)号：CN111950717A
公开(公告)日：2020-11-17
申请号：CN202010881063.8
申请日：2020-08-27
Applicant: 桂林电子科技大学
IPC: G06N3/04 , G06K9/62 , G06F40/30 , G06F16/951 , G06F16/35 , G06F16/215
Abstract: 本发明公开了一种基于神经网络的舆情量化方法，步骤为：1）利用爬虫技术采集用户在社交平台上的舆论文本数据，将采集的数据以文本形式存储于数据库中；2）对收集的舆论文本数据进行数据预处理；3）根据预处理后的数据，构建舆论分析数据集；4）构建网络模型，利用舆论分析数据集中的舆论文字和所关联因素数据对网络模型进行训练；5）利用训练好的网络模型对舆论文本进行量化；该方法可以通过神经网络的方式对符号化文本进行量化，并且采用了多特征碎片的权重计算来确定各类因素的影响权重。较传统方法而言，该方法更加灵活，鲁棒性更强，从社会经济来看，该方法可以紧抓热点，跟随数据量的增大而更加客观理性，更加符合舆情实际结果。
-
公开(公告)号：CN109841060A
公开(公告)日：2019-06-04
申请号：CN201910061664.1
申请日：2019-01-23
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于线性回归的道路拥堵判断装置及判断方法，所述装置包括数据处理终端和与数据处理终端连接的摄像单元和道路拥堵判断单元，摄像单元获取道路上的视频数据并报送数据处理终端，数据处理终端对道路视频信息进行处理，道路拥堵判断单元依据道路图像信息得到道路的拥堵判定结果，方法包括：1）摄像单元获取图像；2）数据处理终端接收数据；3）数据处理终端抽样；4）道路拥堵判断单元接收抽样数据；5）道路拥堵判断单元制定对象检测；6）给出判定结果。这种装置成本低。这种方法便于操作，计算量小，响应速度快，实时性好，能克服传统技术中拥堵判断信息不准确的缺点，能为预警提供准确信息。
-
公开(公告)号：CN109635279A
公开(公告)日：2019-04-16
申请号：CN201811396784.9
申请日：2018-11-22
Applicant: 桂林电子科技大学
CPC classification number: G06F17/278 , G06N3/0454
Abstract: 本发明公开了一种基于神经网络的中文命名实体识别方法，采用机器学习方面的算法并且结合神经网络模型，对文本进行分析和命名实体识别。将中文文本中出现的每一个字都构建特征向量，其特征包括位置特征和字符特征。然后把这组句子所对应的特征向量作为神经网络模型的输入，经过Bi‑LSTM以及CRF层后将结果映射到相应的实体标签，完成实体识别任务。该方法仅需要训练文本以及输入语句就可以完成实体识别，是一种灵活方便的方法。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.027 seconds)
