Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 福州大学陈羽中获国家专利权

福州大学陈羽中获国家专利权

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!

龙图腾网获悉福州大学申请的专利一种基于知识增强图卷积网络的答案选择方法及系统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:CN116028604B

龙图腾网通过国家知识产权局官网在2025-07-29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:202211464352.3,技术领域涉及:G06F16/3329;该发明授权一种基于知识增强图卷积网络的答案选择方法及系统是由陈羽中;郑超凡;徐俊杰;李炜炜设计研发完成,并于2022-11-22向国家知识产权局提交的专利申请。

一种基于知识增强图卷积网络的答案选择方法及系统在说明书摘要公布了:本发明提供了一种基于知识增强图卷积网络的答案选择方法及系统,包括以下步骤:步骤A:在问答平台中收集用户的问题以及回答记录,并标注每一个问题‑答案对的真实标签,以此构建训练集DS;步骤B:使用训练数据集DS以及知识图谱ConceptNet,训练基于知识增强的图卷积神经网络的深度学习网络模型M,通过此模型来分析给定问题,相对应候选答案的正确性;步骤C:将用户的问题输入到训练好的深度学习网络模型M中,输出匹配的答案;应用本技术方案有利于提高答案选择的准确性。

本发明授权一种基于知识增强图卷积网络的答案选择方法及系统在权利要求书中公布了:1.一种基于知识增强图卷积网络的答案选择方法,其特征在于,包括以下步骤: 步骤A:在问答平台中收集用户的问题以及回答记录,并标注每一个问题-答案对的真实标签,以此构建训练数据集DS; 步骤B:使用训练数据集DS以及知识图谱ConceptNet,训练基于知识增强的图卷积神经网络的深度学习网络模型M,通过此模型来分析给定问题,相对应候选答案的正确性; 步骤C:将用户的问题输入到训练好的深度学习网络模型M中,输出匹配的答案; 所述步骤B具体包括以下步骤: 步骤B1:对训练数据集DS中的所有训练样本进行初始编码,从而得到问题、答案文本内容的初始特征Eq、Ea,问答对全局语义特征序列Ecls,问题-答案对的句法结构依赖邻接矩阵A,同时从知识图谱ConceptNet对问题、答案文本进行文本-知识匹配以及多跳知识节点扩展查询,将文本匹配的知识节点和扩展节点相连接,得到知识扩展序列,并将知识扩展序列中的每一个知识节点信息映射为连续的低维向量,最终形成问题和答案的知识扩展序列特征Cq、Ca; 步骤B2:将问题、答案文本内容的初始特征Eq、Ea进行连接,得到问题-答案的文本特征Eqa,通过对Eqa进行掩码计算,得到问题-答案边权重矩阵Ma,将Ma与句法结构依赖邻接矩阵A相乘,得到带有具有边关联权重的句法结构依赖邻接矩阵 步骤B3:将步骤B2得到的问题-答案的文本特征Eqa和具有边关联权重的句法结构依赖邻接矩阵输入到一个K层图卷积网络中,通过图节点之间句法结构依赖关系引导节点信息传播,学习到问题-答案文本原始的结构信息特征然后对问题-答案的文本特征Eqa和问题-答案文本原始的结构信息特征采用注意力的方式进行语义增强,得到问题-答案的语义结构信息特征 步骤B4:将步骤B1得到的问题、答案文本内容的初始特征Eq、Ea和问题、答案的知识扩展序列特征Cq、Ca,输入到两个基于文本语义指导的注意力计算机制,获得问题q和答案a的语义引导知识特征然后将语义引导知识特征输入到两个多头自注意力机制中,得到自注意力知识表征将语义引导知识表征和自注意力知识特征 输入到两个前馈神经网络层中,得到知识的上下文特征Hq、Ha;将知识的上下文特征Hq、Ha利用一个门控机制进行过滤融合,获得问题-答案的知识上下文特征Hqa; 步骤B5:将问题-答案的知识上下文特征Hqa和问题-答案的语义结构信息特征利用注意力计算的方式进行融合,获得知识增强的问题-答案的语义结构信息特征然后将步骤B1得到的局语义特征矩阵Ecls,输入到一个多尺寸的卷积神经网络之中,得到多粒度的全局语义特征 步骤B6:将知识增强的问题-答案的语义结构信息特征输入到一个BiGRU网络之中,并对BiGRU的隐藏状态输出的序列进行平均池化操作,得到问题-答案的聚合特征将问题-答案的聚合特征和多粒度的全局语义特征进行拼接,得到最终的问答特征Efinal;随后将Efinal输入到一个线性分类层并使用softmax函数进行归一化处理,生成问题-答案之间的相关性分数fq,a∈[0,1];然后根据目标损失函数loss,通过反向传播方法计算深度学习网络模型中各参数的梯度,并利用随机梯度下降方法更新各参数; 步骤B7:当深度学习网络模型每次迭代产生的损失值变化小于所给定阈值,或者达到最大迭代次数,终止深度学习网络模型的训练过程。

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福州大学,其通讯地址为:350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学;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”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。