-
公开(公告)号：CN114861627A
公开(公告)日：2022-08-05
申请号：CN202210369952.5
申请日：2022-04-08
Applicant: 清华大学深圳国际研究生院
IPC: G06F40/205 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的选择题干扰项自动化生成方法及模型，模型包括：答案编码器，用于对选择题的答案进行编码，以获得答案表示向量；文章编码器，用于对文章和问题进行联合编码，以获得文章表示向量；上下文推理注意力机制模块，连接于答案编码器和文章编码器，用于合并文章上下文向量和答案上下文向量，以进行上下文推理，生成编码器最终上下文向量；文章上下文向量是由文章表示向量经文章注意力机制而获得，答案上下文向量是由答案表示向量经答案注意力机制而获得；干扰项解码器，连接于答案编码器以利用答案编码器的输出进行解码器初始化，以及连接于上下文推理注意力机制模块以对所述编码器最终上下文向量进行解码，生成干扰项。
-
Patent Agency Ranking
公开(公告)号：CN114861627B
公开(公告)日：2024-07-12
申请号：CN202210369952.5
申请日：2022-04-08
Applicant: 清华大学深圳国际研究生院
IPC: G06F40/205 , G06F40/30 , G06N3/0442 , G06N3/049 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的选择题干扰项自动化生成方法及模型，模型包括：答案编码器，用于对选择题的答案进行编码，以获得答案表示向量；文章编码器，用于对文章和问题进行联合编码，以获得文章表示向量；上下文推理注意力机制模块，连接于答案编码器和文章编码器，用于合并文章上下文向量和答案上下文向量，以进行上下文推理，生成编码器最终上下文向量；文章上下文向量是由文章表示向量经文章注意力机制而获得，答案上下文向量是由答案表示向量经答案注意力机制而获得；干扰项解码器，连接于答案编码器以利用答案编码器的输出进行解码器初始化，以及连接于上下文推理注意力机制模块以对所述编码器最终上下文向量进行解码，生成干扰项。
-
公开(公告)号：CN114742073B
公开(公告)日：2024-08-27
申请号：CN202210363151.8
申请日：2022-04-07
Applicant: 清华大学深圳国际研究生院
IPC: G06F40/35 , G06F18/214 , G06F18/21 , G06F18/2415 , G06F16/332 , G06N3/045
Abstract: 一种基于深度学习的对话情绪自动识别方法，所述方法构建和训练基于关键历史语段感知的神经网络模型；其中，模型的误差建模包括：分类误差计算、语段情绪关联性损失计算以及情绪表示距离递减损失计算；其中。对于对话情绪自动化识别而言，本方法中的语段情绪关联性损失的建模能够使模型感知到关键历史语段中的情绪特征，而情绪表示距离递减损失的建模侧重于对话时序特性的感知。相较于现有的方法，本方法在支持实时识别的基础上，拥有着更高的识别准确率。
-
公开(公告)号：CN114840747A
公开(公告)日：2022-08-02
申请号：CN202210404048.3
申请日：2022-04-18
Applicant: 清华大学深圳国际研究生院
IPC: G06F16/9535 , G06F16/906 , G06N20/00 , G06K9/62
Abstract: 本发明公开了基于对比学习的新闻推荐方法，包括基于对比学习的用户兴趣抽取步骤；所述用户兴趣抽取步骤包括：提供一用户兴趣编码器，该用户兴趣编码器被配置为对用户浏览的新闻序列进行编码得到兴趣向量；对所述用户浏览的新闻序列进行编码得到第一兴趣向量；对所述用户浏览的新闻序列进行数据增强，再对数据增强后的新闻序列进行编码得到第二兴趣向量；训练所述用户兴趣编码器，训练过程中，引入使所述第一兴趣向量和所述第二兴趣向量相接近，并使所述第一兴趣向量与其它用户的兴趣向量相远离的兴趣对比学习损失。
-
公开(公告)号：CN114840747B
公开(公告)日：2024-08-23
申请号：CN202210404048.3
申请日：2022-04-18
Applicant: 清华大学深圳国际研究生院
IPC: G06F16/9535 , G06F16/906 , G06N20/00 , G06F18/22
Abstract: 本发明公开了基于对比学习的新闻推荐方法，包括基于对比学习的用户兴趣抽取步骤；所述用户兴趣抽取步骤包括：提供一用户兴趣编码器，该用户兴趣编码器被配置为对用户浏览的新闻序列进行编码得到兴趣向量；对所述用户浏览的新闻序列进行编码得到第一兴趣向量；对所述用户浏览的新闻序列进行数据增强，再对数据增强后的新闻序列进行编码得到第二兴趣向量；训练所述用户兴趣编码器，训练过程中，引入使所述第一兴趣向量和所述第二兴趣向量相接近，并使所述第一兴趣向量与其它用户的兴趣向量相远离的兴趣对比学习损失。
-
公开(公告)号：CN114742073A
公开(公告)日：2022-07-12
申请号：CN202210363151.8
申请日：2022-04-07
Applicant: 清华大学深圳国际研究生院
IPC: G06F40/35 , G06K9/62 , G06N3/04 , G06N3/08 , G06F16/332
Abstract: 一种基于深度学习的对话情绪自动识别方法，所述方法构建和训练基于关键历史语段感知的神经网络模型；其中，模型的误差建模包括：分类误差计算、语段情绪关联性损失计算以及情绪表示距离递减损失计算；其中。对于对话情绪自动化识别而言，本方法中的语段情绪关联性损失的建模能够使模型感知到关键历史语段中的情绪特征，而情绪表示距离递减损失的建模侧重于对话时序特性的感知。相较于现有的方法，本方法在支持实时识别的基础上，拥有着更高的识别准确率。
-
-
-
-
-
Search Results
6
records
(took 0.029 seconds)
