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！

龙图腾网获悉福建师范大学申请的专利基于深度序列标注模型的微学习服务信息抽取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：CN118586439B 。

龙图腾网通过国家知识产权局官网在2025-10-14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：202410755982.9，技术领域涉及：G06N3/0442；该发明授权基于深度序列标注模型的微学习服务信息抽取方法是由林佳胤;刘润雄;林铭炜;沈俊;余深宝设计研发完成，并于2024-06-12向国家知识产权局提交的专利申请。

本基于深度序列标注模型的微学习服务信息抽取方法在说明书摘要公布了：本发明提出一种基于深度序列标注模型的微学习服务信息抽取方法，在微学习服务信息抽取过程中，采用基于深度序列标注模型：首先使用嵌入层将高维稀疏的原始数据映射为低维连续但密集的数据表示，并提取语义信息；在嵌入层之后，使用两个连续的CNN层以进一步挖掘和总结模型中相邻输入的局部特征；在嵌入层之后还设置有一个RNN层，用于提取和建模时间序列特征；在CNN和RNN之后设置有融合块，用于结合不同类型的潜在特征；在最终输出层之前设置有CRF层用于对输出序列的局部约束。

本发明授权基于深度序列标注模型的微学习服务信息抽取方法在权利要求书中公布了：1.一种基于深度序列标注模型的微学习服务信息抽取方法，其特征在于：在微学习服务信息抽取过程中，采用基于深度序列标注模型： 首先使用嵌入层将高维稀疏的原始数据映射为低维连续但密集的数据表示，并提取语义信息； 在嵌入层之后，使用两个连续的CNN层以进一步挖掘和总结模型中相邻输入的局部特征； 在嵌入层之后还设置有一个RNN层，用于提取和建模时间序列特征； 在CNN和RNN之后设置有融合块，用于结合不同类型的潜在特征； 在最终输出层之前设置有CRF层用于对输出序列的局部约束； 所述RNN层采用Bi-LSTM结构，将嵌入的信息以顺序和逆序两种方式送入Bi-LSTM层；然后，对于每个时间步长，Bi-LSTM层将基于当前时刻的“过去”和“未来”的信息输出预测； 所述融合块首先通过串联操作将CNN层和RNN层提取的潜在特征合并在一起；然后使用多个非线性变换层进一步将潜在特征组合成细粒度特征； 所述融合块采用一个Bi-LSTM层和全连接神经网络实现非线性转换； 所述融合块的计算过程如式1至5所示： 其中，为拼接后的向量信息，包含了CNN层和Bi-LSTM层的建模结果，记作和 ；和分别从不同时序方向对拼接后的信息进行融合建模,W和为对应的权重和 偏置项,为时序融合后的初步结果；为了使融合结果的信息在指定维度进行表征，在时 序融合后通过多个全连接层进一步对进行非线性变化，最后输出。

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建师范大学，其通讯地址为：350108 福建省福州市闽侯县上街镇学府南路8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”。

以上内容由龙图腾AI智能生成。