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！

龙图腾网获悉北京格普科技有限公司申请的专利基于语义的文本内容索引自动标识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：CN120705247B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202510872529.0，技术领域涉及：G06F16/31；该发明授权基于语义的文本内容索引自动标识方法是由刘涛;周晗;吕智设计研发完成，并于2025-06-26向国家知识产权局提交的专利申请。

本基于语义的文本内容索引自动标识方法在说明书摘要公布了：本发明公开了基于语义的文本内容索引自动标识方法，涉及信息检索技术领域，包括初始化稀疏投影和LSH签名，使用拉格朗日对偶形式和梯度更新进行迭代优化，并对哈希位数进行调整，通过k‑d树得到分片索引，并构建倒排索引，通过Delta编码进行压缩，基于Jaccard相似度构建索引图，通过WebGraph进行压缩，使用CSNMF结合Z‑Laplacian正则化，生成低秩基矩阵和低秩编码矩阵，迭代优化后对压缩倒排索引进行重构，生成重构倒排索引条目。本发明通过多分辨率哈希表初始化、联合特征优化、局部自适应量化以及低秩索引重构，提升索引结构的语义表达能力和压缩效果，提高索引的精度和效率，实现对索引内容的智能标识。

本发明授权基于语义的文本内容索引自动标识方法在权利要求书中公布了：1.基于语义的文本内容索引自动标识方法，其特征在于：包括， 收集文本数据进行预处理，生成语义增强数据，通过SBERT模型生成语义向量，通过L2范数和独热编码生成融合特征向量，初始化多分辨率哈希表并对融合特征向量进行分区，通过MultiRes-RCF网络生成增强特征，结合降维特征拼接为联合特征向量，初始化稀疏投影和LSH签名，构建联合优化目标函数，使用拉格朗日对偶形式和梯度更新进行迭代优化，并对哈希位数进行调整，生成优化后的LSH签名集和分区集合； 所述初始化多分辨率哈希表包括L个分辨率层，并基于负载均衡设定分配规则； 所述分配规则，包括筛选语义重要性评分大于语义重要性评分阈值，分配至高分辨率层、筛选语义重要性评分小于语义重要性评分阈值，分配至低分辨率层，否则，分配至中间层； 所述稀疏投影指通过随机正态分布初始化投影矩阵，结合联合特征向量进行乘法运算，得到初始化稀疏投影，并初始化初步LSH签名集，公式为： ， 其中，为初步LSH签名，为初步LSH签名集中的一个元素，为初始稀疏投影结果，为分辨率层的哈希索引，为融合特征向量，为局部敏感哈希函数； 基于联合特征向量，使用LVQ对语义向量进行局部自适应量化，生成量化语义向量，结合优化后的LSH签名集和分区集合，拼接为元数据集，通过k-d树得到分片索引，并构建倒排索引，通过Delta编码进行压缩，并基于Jaccard相似度构建索引图，通过WebGraph进行压缩，使用CSNMF结合Z-Laplacian正则化，生成低秩基矩阵和低秩编码矩阵，迭代优化后对压缩倒排索引进行重构，生成重构倒排索引条目； 所述压缩倒排索引进行重构指基于低秩基矩阵和低秩编码矩阵，结合Z-Laplacian正则化矩阵，构建优化目标函数，通过最小化目标函数，对低秩基矩阵和低秩编码矩阵进行更新，达到最大更新次数时停止，输出更新低秩基矩阵和低秩编码矩阵，拼接为低秩分解矩阵集，公式为： ， ， 其中，为Z-Laplacian正则化矩阵，为压缩索引图，为正则化强度，分别为低秩基矩阵和低秩编码矩阵，为L0范数稀疏惩罚系数，为转置，为正则化项，为中位数选择函数； 基于低秩分解矩阵集，重构倒排索引，公式为： 其中，W为重构倒排索引，为矩阵重构，分别为更新低秩基矩阵和低秩编码矩阵，为簇ID集； 基于重构倒排索引条目，使用Seq2Seq模型生成自然语言标签，并进行推送。

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格普科技有限公司，其通讯地址为：101100 北京市大兴区北京经济技术开发区(通州)次渠南里129号楼2层102-1877；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。