買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜杭州電子科技大學(xué)申請(qǐng)的專利一種基于圖同構(gòu)網(wǎng)絡(luò)的謂詞抽取方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114330293B 。

龍圖騰網(wǎng)通過國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-05-27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)的專利申請(qǐng)?zhí)?專利號(hào)為：202111638017.6，技術(shù)領(lǐng)域涉及：G06F40/211；該發(fā)明授權(quán)一種基于圖同構(gòu)網(wǎng)絡(luò)的謂詞抽取方法是由張旻;楊啟勝;湯景凡;姜明設(shè)計(jì)研發(fā)完成，并于2021-12-29向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于圖同構(gòu)網(wǎng)絡(luò)的謂詞抽取方法在說明書摘要公布了：本發(fā)明公開了一種基于圖同構(gòu)網(wǎng)絡(luò)的謂詞抽取方法。本發(fā)明使用了DDParser工具對(duì)文本句子進(jìn)行解析，并利用句子解析后得到的詞性結(jié)果對(duì)分詞序列中的專用名詞進(jìn)行泛化。對(duì)Bert的嵌入部分做調(diào)整，加入對(duì)詞性信息的編碼，將泛化后的詞序列輸入到微調(diào)后的Bert模型中進(jìn)行編碼。使用GIN網(wǎng)絡(luò)來獲取依存樹中每一個(gè)節(jié)點(diǎn)的嵌入向量以及依存子樹的表征向量。再這之后通過一層注意力機(jī)制，將語義信息還有依存結(jié)構(gòu)信息融合起來得到最終的節(jié)點(diǎn)嵌入向量。最后，本發(fā)明將最終的詞嵌入向量集合輸入到一個(gè)二分類器中，得到謂詞結(jié)果。本發(fā)明使用了深度學(xué)習(xí)的方式學(xué)習(xí)句子的結(jié)構(gòu)模板特征，大大減少了人們的工作量，有著較強(qiáng)的跨領(lǐng)域性和適應(yīng)能力，有效提升了謂詞抽取方法的準(zhǔn)確性。

本發(fā)明授權(quán)一種基于圖同構(gòu)網(wǎng)絡(luò)的謂詞抽取方法在權(quán)利要求書中公布了：1.一種基于圖同構(gòu)網(wǎng)絡(luò)的謂詞抽取方法，其特征在于包括如下步驟：步驟1使用DDParser工具對(duì)輸入句子進(jìn)行解析，得到分詞結(jié)果、詞性和句法依存樹信息；步驟2根據(jù)詞性對(duì)分詞中專有詞進(jìn)行泛化處理，得到泛化處理后輸入句子對(duì)應(yīng)的泛化詞序列；對(duì)Bert模型的詞嵌入部分進(jìn)行微調(diào)，在詞嵌入部分加入詞性信息的編碼；將泛化詞序列及步驟1中的詞性信息作為微調(diào)后的Bert模型的輸入，輸出隱藏向量集合；步驟3遍歷步驟1中句法依存樹信息中任意一棵子樹，把這棵子樹中每條邊的信息轉(zhuǎn)換為邊向量，然后再將這棵子樹的信息以及步驟2的隱藏向量集合輸入到GIN網(wǎng)絡(luò)中，獲得節(jié)點(diǎn)嵌入向量，對(duì)節(jié)點(diǎn)嵌入向量做池化處理，得到子樹的表征向量；步驟4利用步驟3中子樹的表征向量和步驟2中的每一個(gè)隱藏向量計(jì)算注意力權(quán)重，再將這個(gè)注意力權(quán)重與步驟3中每個(gè)節(jié)點(diǎn)嵌入向量相乘，得到最終節(jié)點(diǎn)嵌入向量集合；步驟5將步驟4中得到的帶有語義信息的最終節(jié)點(diǎn)嵌入向量集合輸入到一個(gè)二分類器中，得到一個(gè)二進(jìn)制序列，序列中每一個(gè)二進(jìn)制指示對(duì)應(yīng)的詞是否為謂詞；所述步驟2具體實(shí)現(xiàn)過程如下：2-1根據(jù)詞性標(biāo)注結(jié)果TX對(duì)原序列X進(jìn)行泛處理，具體的規(guī)則內(nèi)容如下：將詞性標(biāo)注結(jié)果為“LOC”、“f”、“s”、“TIME”、“LOC”、“PER”、“ORG”、“nw”、“nz”的詞替換為“PN”標(biāo)簽，得到泛化詞序列X′：X′＝x′1,x′2,…,x′n4其中，x′1,x′2,…,x′n表示泛化后的詞匯；2-2對(duì)Bert模型的embedding結(jié)構(gòu)做微調(diào)，在原來embedding結(jié)構(gòu)中加入了PostagEmbedding層用以添加詞性信息；對(duì)泛化詞序列X′做詞嵌入處理，將泛化詞序列X′送入TokenEmbedding層從而將每一個(gè)詞轉(zhuǎn)換為向量形式，將泛化詞序列X′送入PositionEmbedding層獲取每個(gè)詞的順序特征，將詞性標(biāo)注結(jié)果TX送入PostagEmbedding層獲取每個(gè)詞的詞性特征，最后將這三個(gè)結(jié)果進(jìn)行拼接輸入到Bert模型中得到最終的詞嵌入，得到輸出隱藏向量集合；詞嵌入過程可以表達(dá)為如下式：H＝BERTX′，TX＝{h1,h2,…,hn}5其中，H為輸出的隱藏向量Ⅰ集合，h1,h2,…,hn為隱藏向量；所述步驟3具體實(shí)現(xiàn)過程如下：3-1遍歷依存樹中的任意兩個(gè)節(jié)點(diǎn)，計(jì)算這兩個(gè)節(jié)點(diǎn)的最近公共祖先節(jié)點(diǎn)，獲得以公共祖先節(jié)點(diǎn)為根、兩個(gè)節(jié)點(diǎn)為葉的子樹dX；把子樹dX中所有邊信息轉(zhuǎn)換為邊向量，得到結(jié)果：E＝{e1,e2,…,eq}6其中q表示當(dāng)前子樹中邊的總數(shù)；3-2將隱藏向量集合H和子樹dX輸入到GIN網(wǎng)絡(luò)中獲取節(jié)點(diǎn)嵌入信息，其中，GIN網(wǎng)絡(luò)由m層圖同構(gòu)卷積層組，每一層的計(jì)算過程如下式： 其中，表示節(jié)點(diǎn)i在第k層圖同構(gòu)卷積層輸出的隱藏向量，在第1層圖同構(gòu)卷積層中為步驟2中Bert輸出的隱藏向量，ε是一個(gè)可學(xué)習(xí)參數(shù)，Ni表示節(jié)點(diǎn)i的所有鄰接節(jié)點(diǎn)的集合，Ei表示節(jié)點(diǎn)i的所有鄰接邊的集合，ep為對(duì)應(yīng)邊的邊嵌入，MLP是多層感知機(jī)算法；3-3對(duì)步驟3-2中得到的最終節(jié)點(diǎn)嵌入向量做最大池化處理，獲取子樹的表征向量： 其中，hchild-tree表示子樹的表征向量，表示節(jié)點(diǎn)嵌入向量。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人杭州電子科技大學(xué)，其通訊地址為：310018 浙江省杭州市下沙高教園區(qū)2號(hào)大街；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)”。