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！

龙图腾网获悉大连理工大学申请的专利知识智能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：CN117216268B 。

龙图腾网通过国家知识产权局官网在2025-09-09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：202311094006.5，技术领域涉及：G06F16/353；该发明授权知识智能分类方法是由金博;邵明明设计研发完成，并于2023-08-29向国家知识产权局提交的专利申请。

本知识智能分类方法在说明书摘要公布了：本发明公开了一种知识智能分类方法，从外部知识源中检索相关工艺知识图谱的知识，将其中的概念信息作为一种知识，并将其整合到深度神经网络中；为了评价知识的重要性，引入注意力机制，提出了可用于工艺知识图谱的基于知识驱动数据分类方法。本发明利用概念对文本和概念对概念集的注意，从两个方面获取概念的权重；在概念信息的帮助下对知识进行分类。与传统的方法不同，本发明的算法具有基于外部知识源做出决策的内在能力，并且更关注重要的知识。

本发明授权知识智能分类方法在权利要求书中公布了：1.一种知识智能分类方法，其特征在于，其包括： S1：获取包含工艺知识图谱的各类结构化和非结构化文件类型并提取所述文件中的词； S2：使用连续词袋模型将文本中的所有词映射到高维向量空间，并得到目标词的维度为D，具体包括以下步骤： S201：随机初始化词向量； S202：将所述文本中的上下文词映射到词向量； S203：对所述上下文词向量求平均，得到上下文向量； S204：将所述上下文向量输入至softmax层，计算词汇表中每个词的概率，所述softmax层计算公式为： 式中，xi为第i个上下文向量； S205：通过交叉熵损失函数更新词向量，所述交叉熵损失函数的计算公式为： 式中，yi为第i个词对应的标签，为预测的第i个词对应的标签； S206：重复步骤S202-S205多次，直到模型收敛或达到预设的迭代次数； S207：输出目标词的词向量，维度为D； S3：获取知识库的各类概念； S4：将所述知识库概念输入S2，并得到概念向量，维度为D； S5：使用卷积神经网络CNN模型将文本中的所有词映射到高维向量空间，并得到字符向量，维度为D； S6：将所述词向量直接连接在字符向量后，拼接成维度为2D的向量，作为总词向量； S7：将所述概念向量直接连接在字符向量后，拼接成维度为2D的向量，作为总概念向量； S8：计算所述总词向量的文本表示，所述总词向量可表示成x1,x2,…xn维度为2D的词向量序列，n为总词向量的长度，具体包括以下步骤： S801：将所述总词向量xtt＝1,…,n输入到LSTM模型，得到一个隐藏状态ht，隐单元数为u，所述LSTM计算公式如下： ht＝LSTMxt,ht-1＝ot·tanhCt 其中： ot表示t时刻输出门的输出，Wo表示输出门权重，bo表示输出门偏置，ft表示t时刻遗忘门的输出，Wf表示遗忘门权重，bf表示遗忘门偏置，it表示t时刻输入门的输出，Wi表示遗忘门权重，bi表示遗忘门偏置，Ct表示LSTM中t时刻细胞层状态，表示LSTM中t时刻细胞层中间状态，WC表示细胞权重，bC表示遗忘门偏置； 最后得到所有的隐藏状态的矩阵 S802：计算所述矩阵的注意力机制，最后得到输出矩阵在这个矩阵中选择最大的作为文本表示所述注意力机制计算公式如下： S9：计算概念对文本相关性层的注意力权重αi，给定一个大小为m的概念集C，其由概念向量组成，记为c1,c2,…,cm，其中ci为第i个概念向量； 式中，αi为第i个概念ci对文本q的注意力的权重；tanh为双曲线正切变换函数，softmax用于归一化每个概念的注意力权重，W1为权重矩阵，为权重矢量，b1为偏移量； S10：计算概念对概念集相关性层的注意力权重βi； 式中，βi为第i个概念ci在整个概念集合的注意力权重，W2为权重矩阵，为权重矢量，b2为偏移量； S11：计算概念对于文本的最终注意力权重ai； ai＝softmaxγαi+1-γβi 式中，ai代表第i个概念对于文本的最终注意力权重；γ∈{0,1}，其为用于调节两者权重的“软开关”，γ＝σwT[α；β]+b，w和b为需要学习的参数，σ为sigmoid函数； S12：计算概念向量的加权和，从而得到表示概念的语义向量p； 式中，ci代表第i个概念，m代表共有m个概念； S13：将所述文本表示q与概念表示p拼接起来，得到input输入； input＝concatp,q S14：将所述input输入通过全连接操作将关键特征表示从高维隐藏空间向量映射到低维标签空间，其计算公式如下： output＝softmaxfw3·input+b3 式中，w3为权重矢量，b3为偏移量，最后经过softmax分类器进行归一化文本分类，获取文本对应标签结果； S15：将所述每个类别的标签结果与实际标签进行比较，基于损失函数计算出每个参数的梯度，然后通过梯度下降法迭代更新网络参数，使损失函数最小化。

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大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2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”。