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！

龙图腾网获悉北京理工大学申请的专利一种基于细粒度提示学习和双向图卷积的关系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：CN118747214B 。

龙图腾网通过国家知识产权局官网在2026-01-06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：202310765924.X，技术领域涉及：G06F16/353；该发明授权一种基于细粒度提示学习和双向图卷积的关系抽取方法是由王瞳;张春霞;金晓雨;徐天祥;薛晓军设计研发完成，并于2023-06-27向国家知识产权局提交的专利申请。

本一种基于细粒度提示学习和双向图卷积的关系抽取方法在说明书摘要公布了：本发明公开了一种基于细粒度提示学习和双向图卷积的关系抽取方法，属于自然语言处理和信息抽取技术领域。本发明首先进行文本预处理，即在非结构化文本中插入实体多粒度标记符和提示学习模板；构建句子序列特征，生成句子序列特征表示；构建句子的依赖特征，生成句子的依赖特征表示；构建句子的混合嵌入表示，输出关系抽取结果。本发明引入了实体类型、实体词语的词法和上位词语义信息，增强了提示学习模板的词法和语义信息以及上下文语义表达能力；捕获了句子隐含的序列特征和依赖特征，挖掘了文本的多维度词法和语义特征，提高了关系抽取性能。

本发明授权一种基于细粒度提示学习和双向图卷积的关系抽取方法在权利要求书中公布了：1.一种基于细粒度提示学习和双向图卷积的关系抽取方法，其特征在于：依托于细粒度提示学习和双向图卷积网络；该模型包括四个模块： 第一个模块为文本预处理模块，包括生成多粒度标记符、构建提示学习模板和标签词集合； 第二个模块为序列特征生成模块，包括分词、生成句子的嵌入表示、生成句子的序列特征表示； 第三个模块为依赖特征生成模块，包括构建句子的依赖树及其邻接矩阵、前向传播和后向传播、对依赖树进行软修剪； 第四个模块为关系抽取模块，包括构建句子的混合嵌入表示、线性变换、输出关系抽取结果； 所述基于细粒度提示学习和图卷积网络的关系抽取方法，包括以下步骤： 步骤1：文本预处理，即在非结构化文本中插入实体多粒度标记符和提示学习模板； 步骤1.1：对于非结构化文本，插入实体多粒度标记符； 步骤1.2：对于非结构化文本，引入提示学习，弥补预训练和微调之间的差距，构建提示学习模板及其对应的标签词集合； 步骤2：构建句子的序列特征，生成句子的序列特征表示； 步骤2.1：对句子进行分词； 步骤2.2：生成句子的嵌入表示； 步骤2.3：生成句子的序列特征表示； 步骤3：构建句子的依赖特征，生成句子的依赖特征表示； 步骤3.1：对于句子S，构建句子S的依赖树及其相应的邻接矩阵，输入至双向图卷积网络； 步骤3.2：将经过步骤3.1生成的邻接矩阵作为输入，采用具有L层的双向图卷积网络，通过在前向传播和反向传播阶段中分别聚合节点和边的邻居节点来传播信息； 步骤3.3：基于注意力机制对句子的依赖树进行软修剪； 步骤4：构建句子的混合嵌入表示，输出关系抽取结果； 步骤4.1：生成句子的混合嵌入表示； 对于句子S，将经过步骤2生成的序列特征表示和步骤3生成的依赖特征表示进行拼接，生成句子的混合嵌入表示； 步骤4.2：对句子的混合嵌入表示进行线性变换； 将步骤4.1生成的句子混合嵌入表示输入至全连接层，对其进行线性变换，将输入的高维向量映射到低维空间中，实现特征组合； 步骤4.3：输出关系抽取结果； 将步骤4.2生成的向量表示输入至Softmax层，获得两个实体之间的关系预测向量；在训练过程中使用交叉熵损失函数计算预测结果和真实标签之间的误差，通过最小化损失函数Loss来更新关系抽取模型参数。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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。