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！

龙图腾网获悉复旦大学申请的专利基于迁移学习的垂直领域知识图谱构建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：CN118520118B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202310127087.8，技术领域涉及：G06F16/36；该发明授权基于迁移学习的垂直领域知识图谱构建方法是由杨卫东;赵翔旭设计研发完成，并于2023-02-17向国家知识产权局提交的专利申请。

本基于迁移学习的垂直领域知识图谱构建方法在说明书摘要公布了：本发明提供了一种基于迁移学习的垂直领域知识图谱构建方法，具有这样的特征，包括以下步骤：步骤S1，知识文本输入预训练自然语言模型A得到词元；步骤S2，自然语言标签输入预训练自然语言模型B得到特征表示集；步骤S3，词元与特征表示集进行点积计算得到分类结果；步骤S4，现有关系词语填入Prompt模板后输入预训练自然语言模型C得到向量表示；步骤S5，分类后句子输入预训练自然语言模型D得到编码结果；步骤S6，编码结果和向量表示进行相似度计算得到关系分类结果；步骤S7，根据词元和关系分类结果构建元组从而构建知识图谱。总之，本方法对垂直领域的实体抽取有较好的效率和质量，并且在关系抽取上具有较好的可扩展性。

本发明授权基于迁移学习的垂直领域知识图谱构建方法在权利要求书中公布了：1.一种基于迁移学习的垂直领域知识图谱构建方法，用于根据预定的垂直领域的知识文本、表示实体类别的自然语言标签和现有关系词语构建得到所述垂直领域的知识图谱，其特征在于，包括以下步骤： 步骤S1，将所述知识文本输入预训练自然语言模型A，得到所述知识文本中每个句子的每个词元； 步骤S2，将多个所述自然语言标签输入预训练自然语言模型B，得到对应各个所述自然语言标签的特征表示作为特征表示集； 步骤S3，将所述词元扩展为所述特征表示集的大小的维度，并与所述特征表示集进行点积计算，根据计算得到的最大权值对应的所述特征表示对应的所述自然语言标签标记所述词元，作为所述词元的分类结果； 步骤S4，将m个所述现有关系词语填入Prompt模板，得到m个关系句子，将所述m个关系句子输入到预训练自然语言模型C，得到所述m个关系句子的向量表示； 步骤S5，将对所述词元标记所述分类结果后的所述句子输入预训练自然语言模型D进行编码，得到编码结果； 步骤S6，将所述编码结果分别和所述m个关系句子的所述向量表示进行相似度计算，选取相似度计算结果的最大值对应的所述现有关系词语作为所述句子中所述词元之间的关系分类结果； 步骤S7，根据所述句子中所述词元和对应的所述关系分类结果构建元组，作为所述句子的知识抽取结果，通过所述知识文本的所有句子的所述知识抽取结果，构建所述垂直领域的所述知识图谱， 其中，所述预训练自然语言模型A、所述预训练自然语言模型B、所述预训练自然语言模型C和所述预训练自然语言模型D根据训练数据集通过对BERT模型进行迁移学习得到， 所述训练数据集包括所述垂直领域的训练数据和所述训练数据根据增强算法处理后的增强训练数据，根据所述训练数据集通过对所述BERT模型进行迁移学习得到所述预训练自然语言模型A、所述预训练自然语言模型B、所述预训练自然语言模型C和所述预训练自然语言模型D的过程包括以下步骤： 步骤T1，将所述训练数据输入BERT模型L并对输出结果正则化，得到句子特征表示，将所述增强训练数据输入BERT模型T并对输出结果正则化，得到句子特征表示； 步骤T2，根据所述句子特征表示和所述句子特征表示，通过相似度计算和损失计算，分别更新所述BERT模型L和所述BERT模型T的参数，得到迁移学习后的所述BERT模型L和所述BERT模型T， 若所述预训练自然语言模型A为迁移学习后的所述BERT模型L和所述BERT模型T中的任意一个，则所述预训练自然语言模型B为迁移学习后的所述BERT模型L和所述BERT模型T中的另一个，所述预训练自然语言模型C为迁移学习后的所述BERT模型T，所述预训练自然语言模型D为迁移学习后的所述BERT模型L。

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复旦大学，其通讯地址为：200433 上海市杨浦区邯郸路220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。