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！

龙图腾网获悉淮阴工学院申请的专利一种基于深度学习的科技文献向量化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：CN115758132B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202211292346.4，技术领域涉及：G06F40/284；该发明授权一种基于深度学习的科技文献向量化方法是由张永军;王志坚设计研发完成，并于2022-10-21向国家知识产权局提交的专利申请。

本一种基于深度学习的科技文献向量化方法在说明书摘要公布了：本发明公开了一种基于深度学习的科技文献向量化方法，首先，从科技文献数据中通过负采样算法生成训练所需要的样本数据集；其次，构建科技文献向量化深度学习网络模型；然后用生成的数据对科技文献向量化深度学习网络模型进行训练，求取模型参数，获得优化模型；最后，基于优化模型中的嵌入层参数，作为科技文献的向量表示。本发明主要针对在基于引用关系的科技文献数据中，难以将科技文献进行有效的特征化问题，采用了一种基于注意力模型的深度学习网络来实现科技文献的向量化特征表示，本发明所得到的科技文献向量化特征表示可以用于多种下游任务，如科技文献聚类、分类任务，科技文献引文推荐，图神经网络学习等。

本发明授权一种基于深度学习的科技文献向量化方法在权利要求书中公布了：1.一种基于深度学习的科技文献向量化方法，其特征在于，包括以下步骤： 1从科技文献数据中通过负采样算法生成训练所需要的样本数据集； 2构建科技文献向量化深度学习网络模型； 3用步骤1生成的数据对科技文献向量化深度学习网络模型进行训练，求取模型参数，获得优化模型； 4用步骤3获得的优化模型中的嵌入层参数，作为科技文献的向量表示； 所述步骤2包括以下步骤： 21构建一个嵌入尺寸为512的嵌入层E1，用以将离散的文献表示为稠密向量； 22构建一个注意力层，对于训练样本pi，Ri-{Ri，k}，pj，label∈{0,1}，使用文献pi的嵌入表示向量作为查询向量，对序列Ri-{Ri，k}的嵌入表示向量做attention，输出的是和pi嵌入表示一样尺寸的向量；该注意力层实现了对Ri-{Ri，k}中文献嵌入表示的加权平均，记该注意力层的输出为oi； 23对pi的嵌入表示构建一个全连接层L1，记该全连接层的输出为ci； 24对oi构建一个全连接层L2，记该全连接层的输出为qi； 25构建一个嵌入尺寸为512的嵌入层E2，将pj输入该嵌入层，记输出为tj； 26记si＝ci+qi，构造一个网络层，参数为W，实现并采用sigmoid作为激活函数，激活函数的输出表示pj应该被pi引用的概率； 所述步骤3包括以下步骤： 31将数据集S随机拆分的训练集Strain中的样本顺序打乱；所述数据集S包括引用序列数据集Sr拆分的数据和采用负采样算法生成的负样本数据； 32采用无放回随机采样方法，从乱序的Strain中抽取batch_size＝512个样本作为一个批次来训练模型，直到训练集中数据被全部采样完； 33对于每一个批次的样本，对模型进行前向计算；对于训练样本pi，Ri-{Ri，k}，pj，label，模型前向运算输出的是Ppj∈Ri|pi,Ri-{Ri，k}，即预测pj在pi的参考文献中的概率，其含义是给定了一篇文献pi和该文献的若干篇参考文献Ri，预测任意一篇文献pj被pi引用的概率； 34使用二元交叉熵损失函数计算训练损失； 35对模型进行反向传播，计算梯度； 36用Adam优化算法根据反向传播的梯度来更新模型参数； 37每轮训练结束时，将训练的模型保存； 38每隔5～10轮，采用验证数据集Sval来计算平均验证损失，并记录该轮的训练损失；根据训练损失和验证损失的曲线图，判断模型是否训练成功；如果该轮的训练损失和验证损失达到要求，则提前结束训练。

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淮阴工学院，其通讯地址为：223003 江苏省淮安市经济技术开发区枚乘东路1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。