买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学申请的专利一种基于知识图谱和多头池化图卷积的医学文本分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116975282B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310787599.7，技术领域涉及：G06F16/35；该发明授权一种基于知识图谱和多头池化图卷积的医学文本分类方法是由张钰婧;张春霞;陈宇婷设计研发完成，并于2023-06-29向国家知识产权局提交的专利申请。

本一种基于知识图谱和多头池化图卷积的医学文本分类方法在说明书摘要公布了：本发明公开了一种基于知识图谱和多头池化图卷积的医学文本分类方法，属于文本分类和自然语言处理技术领域。首先，文本预处理，即从数据集中的文本中构建词集。其次，文本扩展，即采用基于知识图谱的文本扩展方法对词集Si进行扩展。然后，根据扩展词集构建文本‑词语异构图。最后，对文本‑词语异构图节点进行分类，获得文本分类结果。该文本扩展方法的特点是利用最小斯坦纳树建模来扩展文本，捕获文本的隐含语义信息，从而解决医学短文本语义稀疏的问题。通过文本‑词语异构图挖掘词语和文本的相关性，基于自注意力机制的多头池化图卷积，提高文本分类的准确率。

本发明授权一种基于知识图谱和多头池化图卷积的医学文本分类方法在权利要求书中公布了：1.一种基于知识图谱和多头池化图卷积的医学文本分类方法，其特征在于：包括如下步骤： 步骤1：文本预处理，即从数据集中的文本中构建词集； 步骤2：文本扩展，即采用基于知识图谱的文本扩展方法对词集Si进行扩展； 步骤2.1：构建关键词集； 对于词集Si中词语，若出现在知识图谱的实体集合中，则将其加入关键词集keywordSi； 步骤2.2：查询关键词集的最小斯坦纳树； 查询关键词集在知识图谱中的最小斯坦纳树SteinerTreeSi； 步骤2.3：构建扩展词集； 对SteinerTreeSi中的节点集即词语集，与词集Si求集合并运算，构建扩展词集ExtendSi； 步骤3：根据扩展词集构建文本-词语异构图； 步骤4：对文本-词语异构图节点进行分类，获得文本分类结果； 利用基于自注意力机制的多头池化图卷积神经网络，对文本-词语异构图的节点进行分类； 步骤4.1：对文本-词语异构图的邻接矩阵AC进行图卷积操作； 进入第一层图卷积，对邻接矩阵AC进行图卷积操作如公式6所示； Z0＝ACXW0,6 其中，X是输入节点的特征矩阵，初始值通过随机方式获得，或利用预训练模型BERT获得，W0是可训练参数矩阵； 步骤4.2：对文本-词语异构图的邻接矩阵AT和AP分别进行多头池化操作； 对邻接矩阵AT和AP分别进行多头池化操作，如公式7和公式8所示； 其中，RS为n维随机采样操作，TopK是用于获取前K个得分最高节点的对应得分，并将其余节点的得分置零，softmax是归一化指数函数，激活函数σ为tanh函数，W0是可训练参数矩阵； 步骤4.3：残差连接和加权运算； 对步骤4.1和步骤4.2的结果进行残差连接和加权运算，如公式9、10和11所示： 其中，mean是求平均值运算，max是求最大值运算，⊙是元素积，ReLU是激活函数，softmax是归一化函数，Z0是步骤4.1的输出； 步骤4.4：输出文本分类结果； 进入第二层图卷积，获得多头池化图卷积网络的最终输出，即文本分类结果矩阵，如公式12所示： Z2＝softmaxACZ1Wl,12 其中，softmax是归一化函数，Z1是步骤4.3的输出，Wl是可训练参数矩阵。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。