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

龍圖騰網(wǎng)恭喜中國人民解放軍國防科技大學申請的專利基于多知識增強原型網(wǎng)絡的少樣本關系抽取方法和裝置獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產(chǎn)權局授予，授權公告號為：CN120068874B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權局官網(wǎng)在2025-07-04發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510523318.6，技術領域涉及：G06F40/295；該發(fā)明授權基于多知識增強原型網(wǎng)絡的少樣本關系抽取方法和裝置是由武惠;鐘志農(nóng);陳犖;吳燁;楊飛;馬夢宇;楊岸然;賈慶仁;熊偉;陳浩;李軍;景寧設計研發(fā)完成，并于2025-04-24向國家知識產(chǎn)權局提交的專利申請。

本基于多知識增強原型網(wǎng)絡的少樣本關系抽取方法和裝置在說明書摘要公布了：本申請涉及一種基于多知識增強原型網(wǎng)絡的少樣本關系抽取方法和裝置。所述方法包括：構建了一個由語義編碼器、多知識增強學習模塊、雙對比學習模塊以及關系預測模塊組成的多知識增強原型網(wǎng)絡，該網(wǎng)絡采用提示學習設計帶有實體信息的提示模板來激活預訓練語言模型中的知識，能夠獲得更準確的實例語義表示；同時引入了多粒度實體類型和關系描述兩種先驗知識，增強了實例和原型的語義表示；以及設計了基于實例和原型的雙對比學習模塊，從實例和原型兩個不同層面學習實例表示和原型表示的類別獨特性和可區(qū)分性，從而能夠基于少量樣本充分捕捉和理解文本中所有關系的特征，提高了文本實體識別與關系分類預測的準確度。

本發(fā)明授權基于多知識增強原型網(wǎng)絡的少樣本關系抽取方法和裝置在權利要求書中公布了：1.一種基于多知識增強原型網(wǎng)絡的少樣本關系抽取方法，其特征在于，所述方法應用于文本實體識別與分類場景，所述方法包括： 將包含有多個關系類別及對應實例的數(shù)據(jù)集按類別劃分為訓練集、驗證集和測試集； 從劃分后的各數(shù)據(jù)集中隨機抽取多個元任務，并引入多粒度實體類型與關系描述作為先驗知識；其中，每個元任務由一個支撐集和一個查詢集組成，支撐集和查詢集中包含多個關系類別及各關系類別對應的多個實例，每個實例由句子及句子中實體對的關系類別組成； 構建由語義編碼器、多知識增強學習模塊、雙對比學習模塊以及關系預測模塊組成的多知識增強原型網(wǎng)絡；其中，語義編碼器用于編碼生成實例與先驗知識的特征表示；多知識增強學習模塊用于根據(jù)先驗知識對支撐集實例和查詢集實例進行知識增強學習，并根據(jù)得到的支撐集實例增強表示生成原型增強表示；雙對比學習模塊用于分別采用基于實例的對比學習與基于原型的對比學習從實例和原型兩個不同層面進行關系類別區(qū)分學習；關系預測模塊用于根據(jù)原型增強表示與查詢集實例增強表示之間的相似度，預測查詢集實例所屬的關系類別； 將從訓練集與驗證集中隨機抽取的元任務及先驗知識輸入多知識增強原型網(wǎng)絡，并構建包括雙對比學習損失與關系預測的分類損失的綜合損失函數(shù)進行網(wǎng)絡訓練與評估，直至得到訓練好的網(wǎng)絡執(zhí)行少樣本關系抽取任務。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或?qū)＠麢嗳?a target="_blank" rel="noopener noreferrer nofollow" >中國人民解放軍國防科技大學，其通訊地址為：410073 湖南省長沙市開福區(qū)德雅路109號；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)”。