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多领域知识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：CN117251567B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202311094004.6，技术领域涉及：G06F16/353；该发明授权多领域知识抽取方法是由金博设计研发完成，并于2023-08-29向国家知识产权局提交的专利申请。

本多领域知识抽取方法在说明书摘要公布了：本发明公开了一种多领域知识抽取方法，其包括：收集工艺知识领域的文本信息并生成由词向量表示的三元组；采用依存句法分析获取每个单词之间的依存关系以及其在句子中的语法角色；使用长短期记忆网络作为特征抽取器对句子进行特征建模；使用CRF模型建模标签之间的约束关系；对所述标注后的实体和实体关系，采用支持向量机分类器抽取实体之间的语义关系；使用实体链接开源工具Dexter2将所述实体之间的语义关系链接到知识图谱中已知的实体中。本发明从一个大规模、跨领域的文本样本集上自动建立一个词汇化关系资源库，在保证模型速度的同时尽可能多的捕捉到深层的词汇隐含关系和文本主题，从而用于回答相关的QA问题。

本发明授权多领域知识抽取方法在权利要求书中公布了：1.一种多领域知识抽取方法，其特征在于，其包括： S1：收集工艺知识领域的文本信息并通过分词，去停用词，词性标注将所述文本信息转化为三元组，再对每个三元组进行编码并得到由词向量表示的三元组； S2：采用依存句法分析对所述文本信息中句子的组成部分进行拆分，获取每个单词之间的依存关系以及其在句子中的语法角色，所述依存关系用依存树的数据结构表示； S3：使用长短期记忆网络LSTM作为特征抽取器对句子进行特征建模，每个句子中的单词的词向量为LSTM的输入量，输出前向LSTM的隐状态和后向LSTM的隐状态，其计算公式为： 式中，表示前向LSTM，表示后向LSTM，和分别表示的前一个和后一个单词的LSTM隐状态； S4：使用CRF模型对实体和实体关系进行标注，其具体步骤如下： S401：每个单词的前向LSTM的隐状态和后向LSTM的隐状态为输入量，预测每个单词的标注概率，预测标注概率的计算公式为： 式中，n表示句子中单词的数量，表示权重矩阵，b为偏置矩阵，softmax函数实现归一化处理； S402：使用CRF模型建模标签之间的约束关系，给定输入序列x和标签序列y，计算表示给定输入序列x的条件下，输出标签序列为y的概率，即： 式中，给定输入序列，计算标签序列的概率；函数为特征函数，其表示在给定x和y条件下的概率；k为标签的总数； 为用于归一化的配分函数，其计算公式为： S5：通过viterbi动态规划算法对CRF模型的输出标签序列进行解码，根据前一步得到的依存树数据结构，在这个有向无环图上寻找最优路径，预测最大概率的标签序列，其具体步骤如下： S501：定义为前i个位置中最后一个标签为的最大概率，即： S502：定义为前i个位置中最后一个标签为时的上一个标签的取值，即： S503：通过以下递推公式计算和，并输出经过标注后的实体和实体关系； 其中，表示时刻t、状态为i且观测到的所有序列中，概率最大的序列的概率值；表示在概率最大的序列中，时刻t、状态为i的前一个状态； S6：对所述标注后的实体和实体关系，采用支持向量机分类器抽取实体之间的语义关系，其具体步骤如下： S601：从实体和实体关系所在的句子中提取特征； S602：使用Word2vec词嵌入模型得到所述特征的特征向量，作为支持向量机分类器的输入； S603：一部分特征向量作为训练集对所述支持向量机分类器进行训练，训练好的支持向量机分类器用于预测，判断实体间是否存在某种语义关系； S7：使用实体链接开源工具Dexter2将所述实体之间的语义关系链接到知识图谱中已知的实体中。

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”。

以上内容由龙图腾AI智能生成。