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事后验证的证据句去噪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：CN116257608B 。

龙图腾网通过国家知识产权局官网在2026-03-10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：202211692083.6，技术领域涉及：G06F16/3329；该发明授权一种基于事后验证的证据句去噪方法是由史树敏;何苏哲设计研发完成，并于2022-12-28向国家知识产权局提交的专利申请。

本一种基于事后验证的证据句去噪方法在说明书摘要公布了：本发明涉及一种基于事后验证的证据句去噪方法，属于自然语言处理中的机器阅读理解技术领域。首先采用静态词向量为训练集进行伪证据标注，为标注数据训练模型，包括答案分类与证据句跨度预测，保存最优模型。根据最优模型预测获取候选证据列表。根据最优模型，对预测证据进行去噪。根据候选证据分数对候选证据进行重排，按要求选择最大分数候选证据作为最终证据句，重新评价后得到新证据准确率和总准确率，将它们与原准确率进行比较，衡量方法的有效性。本发明能够以小成本为模型进行证据去噪，在得到很好的效果的同时，还可应用于各种包含证据抽取任务的工作中。

本发明授权一种基于事后验证的证据句去噪方法在权利要求书中公布了：1.一种基于事后验证的证据句去噪方法，其特征在于，包括以下步骤： 步骤1：采用静态词向量为训练集进行伪证据标注； 将文章序列d中每个句子序列si使用静态词向量表示平均后，得到句子一维向量si,vec；对问题序列q和正确答案a*拼接后的新序列进行向量表示和平均后，得到一维向量qavec；将si,vec与qavec进行余弦相似度计算，得到当前句子分数vsi，选择具有最大分数句子作为证据句； 步骤2：为标注数据训练模型，包括答案分类与证据句跨度预测，保存最优模型M0； 将文章序列d、问题序列q和每个候选答案aj进行拼接得到j个新序列t，输入至预训练模型中，得到U＝{u1,u2,…,uj}，uj表示每个字符标记的向量表示，使用一个线性层作为顶层分类器进行答案分类，损失函数为交叉熵损失，其中，分类器预测方式如下： pj＝softmaxWT×U0 其中，pj表示对问题的描述候选答案正确的概率，上标j表示多分类；U表示新序列t输入到模型后得到的融合上下文信息的向量表示，下标0表示每个序列预训练模型cls标签对应的一维向量表示；W表示计算多分类概率值的权重矩阵，T表示矩阵转置； 然后，对U进行平均得到uavg，使用两个线性层进行证据句跨度预测，损失函数为交叉熵损失，分类器预测方式如下： 其中，ps、pe分别表示序列t每个单词作为证据句开始、结束的概率，表示计算概率值的权重矩阵； 根据以上损失函数训练模型；根据计算每句话的分数，其中分别表示句子i开始、结束位置的概率值未经过softmax，所有样本以最大分数的证据进行评价，得到测试集答案准确率ANS_F10、证据准确率EVI_F10、总准确率ALL_F10； 总准确率为答案准确率与证据准确率的乘积，保存得到总准确率最高的模型M0； 步骤3：根据最优模型M0预测获取候选证据列表； 根据最优模型M0计算所有句子分数，对分数进行归一化后，将分数大于最大分数的k倍的句子保存为候选证据列表E＝{e1,e2,…,ex}，x表示有多少句候选证据句； 步骤4：根据最优模型，对预测证据进行去噪； 对于候选证据列表E中每句证据e，将其当做文章序列，重新与问题序列q和每个候选答案aj进行拼接得到序列te，输入至M0中进行预测，得到答案预测pj,e，根据M0预测的答案在所有候选答案中位置，保存pj,e在相应位置预测概率值ve，然后得到所有候选证据分数表示候选证据ex为正确证据的置信分数； 步骤5：根据候选证据分数对候选证据进行重排，按要求选择最大分数候选证据作为最终证据句，重新评价后得到新证据准确率和总准确率，将它们与原准确率进行比较，衡量方法的有效性。

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。