申请/专利权人:三峡大学
申请日:2023-11-17
公开(公告)日:2024-04-02
公开(公告)号:CN117807996A
主分类号:G06F40/295
分类号:G06F40/295;G06F40/284;G06F40/30;G06F16/36;G06N3/0442;G06N3/045;G06N3/094;G06N3/084
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.19#实质审查的生效;2024.04.02#公开
摘要:融合MacBERT与对抗训练的中文文本关系抽取方法,本发明使用预训练MacBERT作为神经网络模型嵌入层,使用动态词向量对关系抽取语料进行编码,弥补了word2wec在解决多义词问题上的不足;通过对抗训练生成扰动将生成的字向量与扰动相加生成对抗样本;基于BiGRU更好地处理序列化的能力,改善了单个神经网络模型特征提取不足的问题;通过全局指针网络解码层得到最终的预测结果。
主权项:1.融合MacBERT与对抗训练的中文文本关系抽取方法,其特征在于,它包括以下步骤:步骤1:获取语言模型的训练语料数据并进行预处理;步骤2:将编码后的文本输入MacBERT模型,通过MacBERT的输入层得到每个词的词向量表示;步骤3:将词向量与对抗训练扰动结合;步骤4:将得到融合后的词向量输入到BiGRU中;步骤5:获得编码器词向量;步骤6:执行两个全局指针网络分别去预测主客体的起始位置和主客体的结束位置;步骤7:使用两个基于全局指针网络的通信矩阵确定正确的主客体对;步骤8:生成实体关系三元组;通过以上步骤进行中文文本关系的抽取。
全文数据:
权利要求:
百度查询: 三峡大学 融合MacBERT与对抗训练的中文文本关系抽取方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。