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！

龙图腾网获悉南京信息工程大学申请的专利一种基于损失阈值和动态权重的自适应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：CN120561308B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202511063903.9，技术领域涉及：G06F16/353；该发明授权一种基于损失阈值和动态权重的自适应医学文本分类方法是由任慕成;严宇辰;谌赫;曾娴;徐军设计研发完成，并于2025-07-31向国家知识产权局提交的专利申请。

本一种基于损失阈值和动态权重的自适应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损失阈值和动态权重的自适应医学文本分类方法，对预先获取的医疗文本进行预处理，然后使用分词器进行文本分词，生成对应的字符序列并进行语义特征编码；基于样本损失分布确定易或难样本阈值，并在后续每轮训练中依据该阈值对样本进行易或难标记与动态权重更新；将医疗文本的语义嵌入与首次被判定为易样本的轮次及最终权重信息融合，以融合特征在特征空间中进行三类数据分层划分，自适应动态再训练预训练语言模型，使模型先在简单难度数据集上进行训练，并根据验证集性能增益动态引入中等及困难难度样本，直至模型在完整的数据集上性能收敛。本发明能提升医学文本分类任务的收敛速度、分类精度和鲁棒性。

本发明授权一种基于损失阈值和动态权重的自适应医学文本分类方法在权利要求书中公布了：1.一种基于损失阈值和动态权重的自适应医学文本分类方法，其特征在于，包括以下步骤： （1）对预先获取的医疗文本进行预处理，然后使用预训练语言模型对应的分词器进行文本分词，生成对应的字符序列； （2）采用预训练语言模型对字符序列进行语义特征编码，获得医疗文本的语义嵌入； （3）初次遍历训练集，基于样本损失分布确定易或难样本阈值，并在后续每轮训练中依据该阈值对样本进行易或难标记与动态权重更新； （4）初训练结束后，将医疗文本的语义嵌入与首次被判定为易样本的轮次及最终权重信息融合，以融合特征在特征空间中的语义方差、平均距离、以及首易轮次和权重均值综合指标进行三类分层划分，获得简单难度数据集、中等难度数据集和困难难度数据集； （5）自适应动态再训练预训练语言模型，使模型先在简单难度数据集上进行训练，并根据验证集性能增益动态引入中等及困难难度样本，直至模型在完整的数据集上性能收敛，对不同难度层次的样本实现课程式学习，提升医学文本分类任务的收敛速度、分类精度和鲁棒性； 所述步骤（2）实现过程如下： 在字符序列前添加特殊标记[CLS]，输入特定领域预训练模型进行前向传播，得到高维度的语义嵌入向量表示；即将医疗文本内容通过预训练语言模型转化得到的固定维度的向量表示； 从高维语义嵌入中提取[CLS]对应的向量作为整个医疗文本的语义特征表示，记作： ； 其中，PLM表示特定领域预训练模型，表示进行文本分词后生成的字符序列，[CLS]为特定领域预训练模型中特殊标记，表示语义嵌入向量的维度； 所述步骤（4）实现过程如下： （41）提取每个样本的语义嵌入向量、首次被判定为易样本的轮次及归一化后的最终权重，并按： ； 构建融合特征向量，为初训练总轮次； （42）对调用KMeans算法进行二簇聚类，得到初始簇、； （43）对每一初始簇内样本，计算其与对应簇中心的欧氏距离： ； 并在每簇中选取距离最远的前个样本，合并构成“困难簇”； （44）将剩余样本保留原初始簇编号，对簇内平均距离： ； 由最小者定义为“简单簇”，最大者定义为“中等簇”； （45）分别计算中的簇内语义方差倒数，为极小正数、与簇中心平均距离、首易轮次均值及权重均值； （46）将各指标进行Min-Max归一化后按预设加权求和，得到簇级的综合难度分，按升序排序，最小对应“简单难度数据集”，次之对应“中等难度数据集”，最大对应“困难难度数据集”。

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南京信息工程大学，其通讯地址为：210044 江苏省南京市江北新区宁六路219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”。