買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜北京理工大學(xué)申請(qǐng)的專(zhuān)利一種基于高斯核函數(shù)的長(zhǎng)文本檢索方法及系統(tǒng)獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114328863B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-06發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202111512377.1，技術(shù)領(lǐng)域涉及：G06F16/3329；該發(fā)明授權(quán)一種基于高斯核函數(shù)的長(zhǎng)文本檢索方法及系統(tǒng)是由史樹(shù)敏;朱樂(lè);黃河燕設(shè)計(jì)研發(fā)完成，并于2021-12-08向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本一種基于高斯核函數(shù)的長(zhǎng)文本檢索方法及系統(tǒng)在說(shuō)明書(shū)摘要公布了：本發(fā)明涉及一種基于高斯核函數(shù)的長(zhǎng)文本檢索方法及系統(tǒng)，屬于信息檢索技術(shù)領(lǐng)域。本方法利用預(yù)訓(xùn)練語(yǔ)言模型的語(yǔ)義建模能力計(jì)算長(zhǎng)文本各段落與用戶檢索內(nèi)容的語(yǔ)義相似度，作為用戶點(diǎn)擊相關(guān)性的偽標(biāo)簽，有效緩解了缺乏段落級(jí)別標(biāo)注數(shù)據(jù)的問(wèn)題。通過(guò)不同的高斯核函數(shù)，將偽標(biāo)簽映射為不同維度的相關(guān)性得分。利用線性層聚合長(zhǎng)文本各段落得分來(lái)輸出用戶檢索內(nèi)容對(duì)于長(zhǎng)文本整體的相關(guān)性得分，能夠讓不同語(yǔ)義相似度等級(jí)的段落為用戶點(diǎn)擊相關(guān)與否做出貢獻(xiàn)，增強(qiáng)了語(yǔ)義相似度與用戶點(diǎn)擊相關(guān)性的關(guān)聯(lián)程度，提升了長(zhǎng)文本檢索模型的準(zhǔn)確率。

本發(fā)明授權(quán)一種基于高斯核函數(shù)的長(zhǎng)文本檢索方法及系統(tǒng)在權(quán)利要求書(shū)中公布了：1.一種基于高斯核函數(shù)的長(zhǎng)文本檢索系統(tǒng)，其特征在于，包括偽標(biāo)簽計(jì)算模塊、高斯核映射模塊和輸出模塊；其中，偽標(biāo)簽計(jì)算模塊負(fù)責(zé)對(duì)長(zhǎng)文檔進(jìn)行分段，并將得到的各個(gè)文本段落與用戶檢索內(nèi)容級(jí)聯(lián)后輸入預(yù)訓(xùn)練語(yǔ)言模型中，得到文本特征交互向量；同時(shí)，將文本特征交互向量作為線性層的輸入，將輸出的用戶檢索內(nèi)容與長(zhǎng)文本各段落相關(guān)性作為偽標(biāo)簽；高斯核映射模塊負(fù)責(zé)將偽標(biāo)簽通過(guò)不同高斯核函數(shù)，由標(biāo)量映射為得分向量；輸出模塊用于將屬于同一長(zhǎng)文本的不同段落得分向量級(jí)聯(lián)為得分矩陣，將得分矩陣平均池化后放入線性層，判斷并整合用戶檢索內(nèi)容在不同高斯核函數(shù)下與長(zhǎng)文本的相關(guān)性；上述模塊之間的連接關(guān)系為：偽標(biāo)簽計(jì)算模塊的輸出端與高斯核映射模塊的輸入端相連；高斯核映射模塊的輸出端與輸出模塊的輸入端相連；首先，在偽標(biāo)簽計(jì)算模塊中對(duì)長(zhǎng)文本進(jìn)行分段；先對(duì)分段截止點(diǎn)按優(yōu)先度分級(jí)，其中，標(biāo)點(diǎn)符號(hào)優(yōu)先級(jí)高于指定最大段落長(zhǎng)度，然后，將分段所得段落分別與用戶檢索內(nèi)容級(jí)聯(lián)，并輸入至預(yù)訓(xùn)練語(yǔ)言模型中，得到文本特征交互向量，最后，將所述文本特征交互向量放入線性層中，輸出用戶檢索內(nèi)容與長(zhǎng)文本各段落的相關(guān)性，作為偽標(biāo)簽；在偽標(biāo)簽計(jì)算模塊中，預(yù)訓(xùn)練語(yǔ)言模型得到文本特征交互向量Vi，如式1所示：Vi＝BERTq,pj1其中，i的取值范圍為1、2、3、…、n，n指長(zhǎng)文本可劃分段落數(shù)目的最大值；q為用戶檢索內(nèi)容，pj為長(zhǎng)文本的第j個(gè)段落；所述線性層指全連接神經(jīng)網(wǎng)絡(luò)，將文本特征交互向量映射為相關(guān)性，如式2所示：R＝W*Vi+b2其中，R表示模型輸出的相關(guān)性得分，W、b為模型參數(shù)，能夠在模型訓(xùn)練過(guò)程中通過(guò)反向傳播求解；Vi代表第i個(gè)段落與用戶檢索內(nèi)容的文本特征交互向量；在高斯核映射模塊中，首先初始化不同高斯核的均值和方差，其中，各個(gè)高斯核均值不同但方差系統(tǒng)；然后，將偽標(biāo)簽計(jì)算模塊輸出的偽標(biāo)簽放入不同高斯核進(jìn)行映射，將所得結(jié)果級(jí)聯(lián)在一起，構(gòu)成得分向量；所述高斯核函數(shù)映射如式3所示：KRi＝exp-Ri-μk2σk23其中，KRi表示，Ri為用戶檢索內(nèi)容q與第i個(gè)段落的偽標(biāo)簽，μk、σk分別表示第k個(gè)高斯核的均值和方差，exp為指數(shù)函數(shù)；在輸出模塊中，首先將長(zhǎng)文本不同段落對(duì)應(yīng)得分向量級(jí)聯(lián)在一起，得到得分矩陣；將得分矩陣平均池化后，輸入至線性層，輸出最終的用戶檢索內(nèi)容與長(zhǎng)文本相關(guān)性打分；最后，利用MLP判斷在不同等級(jí)下長(zhǎng)文本各段落對(duì)于最終用戶點(diǎn)擊相關(guān)性的貢獻(xiàn)。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人北京理工大學(xué)，其通訊地址為：100081 北京市海淀區(qū)中關(guān)村南大街5號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。