期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合异构图全局结构信息和时间序列的专利价值评估方法
1
作者
陈晰
程戈
尹智斌
《情报杂志》
北大核心
2025年第7期199-206,F0003,共9页
[研究目的]针对现有专利价值评估方法未能充分利用异构图全局结构信息与专利被引用量时间序列特征的问题,提出一种融合异构图全局结构信息和时间序列的专利价值评估方法。该方法旨在提高专利价值分类的准确性,特别是对于高价值专利的识...
[研究目的]针对现有专利价值评估方法未能充分利用异构图全局结构信息与专利被引用量时间序列特征的问题,提出一种融合异构图全局结构信息和时间序列的专利价值评估方法。该方法旨在提高专利价值分类的准确性,特别是对于高价值专利的识别。[研究方法]首先,使用异构图神经网络模型提取专利背景信息,加入了节点中心性编码以捕捉图的全局结构信息。然后,融合专利的被引用量时间序列,并通过注意力机制预测专利被引用量的变化趋势。最后,利用这些特征进行专利价值等级分类。[研究结果/结论]实验结果表明,HNTSM模型在美国半导体领域专利数据集上的专利价值分类任务中,对于高价值专利(A等级),模型的精确率高达77.37%,F1值为76.72%。相比现有方法有显著提升,特别是通过引入全局结构信息与时间序列模块,对专利价值评估结果具有积极作用。
展开更多
关键词
专利价值评估
异构图
全局结构信息
时间序列
神经网络模型
在线阅读
下载PDF
职称材料
融合全局结构信息的拓扑优化图卷积网络
被引量：
5
2
作者
富坤
高金辉
+1 位作者
赵晓梦
李佳宁
《计算机应用》
CSCD
北大核心
2022年第2期357-364,共8页
基于拓扑优化的图卷积网络(TOGCN)是一类图卷积神经网络(GCNN)模型,它通过网络中的辅助信息优化网络拓扑结构,有利于反映节点间的联系程度;然而TOGCN模型仅注重局部节点之间的关联关系,对网络潜在的全局结构信息关注不足。融合全局特征...
基于拓扑优化的图卷积网络(TOGCN)是一类图卷积神经网络(GCNN)模型,它通过网络中的辅助信息优化网络拓扑结构,有利于反映节点间的联系程度;然而TOGCN模型仅注重局部节点之间的关联关系,对网络潜在的全局结构信息关注不足。融合全局特征信息,有助于提高模型的性能和处理信息缺失时的鲁棒性。提出了融合全局结构信息的拓扑优化图卷积网络(GE-TOGCN)模型,该模型一方面利用相邻节点的属性对拓扑图进行优化;另一方面使用类信息作为网络的全局结构信息,从而保持类内聚合性和类间分离性。首先根据标记节点计算类中心向量;然后利用部分未标记节点来更新类中心向量;最后将所有节点根据其与类中心向量的相似度分配到对应的类中,并通过一个半监督损失函数优化各类的类中心向量与节点的最终表示向量。在Cora、Citeseer数据集上,在标签信息缺失的情况下运用得到的节点表示向量进行了节点分类任务与节点可视化任务。实验结果表明,GE-TOGCN模型与图卷积网络(GCN)、图学习卷积网络(GLCN)等模型相比,在Cora数据集上的分类准确率提高了1.2~12.0个百分点,在Citeseer数据集上的分类准确率提高了0.9~9.9个百分点;而在节点可视化任务中所提模型的类内节点聚合程度更高,类簇之间的边界更明显。可见,融合类全局信息能减少标签信息缺失对模型学习效果的不良影响,且该模型得到的节点表示在下游任务中表现出了更好的性能。
展开更多
关键词
网络表示学习
图嵌入
图卷积神经网络
全局结构信息
拓扑优化
在线阅读
下载PDF
职称材料
用于文本分类的CNN_BiLSTM_Attention混合模型
被引量：
24
3
作者
吴汉瑜
严江
+2 位作者
黄少滨
李熔盛
姜梦奇
《计算机科学》
CSCD
北大核心
2020年第S02期23-27,34,共6页
文本分类是许多自然语言处理任务的基础。卷积神经网络可以提取文本的短语级特征,但是不能很好地捕获文本的结构信息;循环神经网络可以提取文本的全局结构信息,但是对关键模式信息捕获能力不足;而注意力机制能够学习到不同词或短语对文...
文本分类是许多自然语言处理任务的基础。卷积神经网络可以提取文本的短语级特征,但是不能很好地捕获文本的结构信息;循环神经网络可以提取文本的全局结构信息,但是对关键模式信息捕获能力不足;而注意力机制能够学习到不同词或短语对文本整体语义的分布,关键的词或短语会被分配较高的权重,但是同样对全局结构信息不敏感。另外,现有模型大多只考虑词级信息,而忽略了短语级信息。针对上述模型中存在的问题,文中提出一种融合CNN,RNN,Attention的混合模型,该模型同时考虑不同层次的关键模式信息和全局结构信息,并把它们融合起来得到最终的文本表示,最后把文本表示输入softmax层进行分类。在多个文本分类数据集上进行了实验,实验结果表明该模型相较于现有模型可以实现更高的准确率。此外,还通过实验分析了模型的不同组件对模型性能的影响。
展开更多
关键词
文本分类
关键模式
信息
全局结构信息
混合模型
文本表示
在线阅读
下载PDF
职称材料
题名
融合异构图全局结构信息和时间序列的专利价值评估方法
1
作者
陈晰
程戈
尹智斌
机构
湖南工业大学法学院
湖南警察学院
湘潭大学计算机学院
出处
《情报杂志》
北大核心
2025年第7期199-206,F0003,共9页
基金
湖南省哲学社会科学项目“人工智能赋能知识产权风险预警研究”(编号:22YBA154)研究成果。
文摘
[研究目的]针对现有专利价值评估方法未能充分利用异构图全局结构信息与专利被引用量时间序列特征的问题,提出一种融合异构图全局结构信息和时间序列的专利价值评估方法。该方法旨在提高专利价值分类的准确性,特别是对于高价值专利的识别。[研究方法]首先,使用异构图神经网络模型提取专利背景信息,加入了节点中心性编码以捕捉图的全局结构信息。然后,融合专利的被引用量时间序列,并通过注意力机制预测专利被引用量的变化趋势。最后,利用这些特征进行专利价值等级分类。[研究结果/结论]实验结果表明,HNTSM模型在美国半导体领域专利数据集上的专利价值分类任务中,对于高价值专利(A等级),模型的精确率高达77.37%,F1值为76.72%。相比现有方法有显著提升,特别是通过引入全局结构信息与时间序列模块,对专利价值评估结果具有积极作用。
关键词
专利价值评估
异构图
全局结构信息
时间序列
神经网络模型
Keywords
patent value assessment
heterogeneous graph
global structural information
time series
neural network model
分类号
G250.2 [文化科学—图书馆学]
G306.0 [文化科学]
在线阅读
下载PDF
职称材料
题名
融合全局结构信息的拓扑优化图卷积网络
被引量：
5
2
作者
富坤
高金辉
赵晓梦
李佳宁
机构
河北工业大学人工智能与数据科学学院
出处
《计算机应用》
CSCD
北大核心
2022年第2期357-364,共8页
基金
国家自然科学基金资助项目(61806072)。
文摘
基于拓扑优化的图卷积网络(TOGCN)是一类图卷积神经网络(GCNN)模型,它通过网络中的辅助信息优化网络拓扑结构,有利于反映节点间的联系程度;然而TOGCN模型仅注重局部节点之间的关联关系,对网络潜在的全局结构信息关注不足。融合全局特征信息,有助于提高模型的性能和处理信息缺失时的鲁棒性。提出了融合全局结构信息的拓扑优化图卷积网络(GE-TOGCN)模型,该模型一方面利用相邻节点的属性对拓扑图进行优化;另一方面使用类信息作为网络的全局结构信息,从而保持类内聚合性和类间分离性。首先根据标记节点计算类中心向量;然后利用部分未标记节点来更新类中心向量;最后将所有节点根据其与类中心向量的相似度分配到对应的类中,并通过一个半监督损失函数优化各类的类中心向量与节点的最终表示向量。在Cora、Citeseer数据集上,在标签信息缺失的情况下运用得到的节点表示向量进行了节点分类任务与节点可视化任务。实验结果表明,GE-TOGCN模型与图卷积网络(GCN)、图学习卷积网络(GLCN)等模型相比,在Cora数据集上的分类准确率提高了1.2~12.0个百分点,在Citeseer数据集上的分类准确率提高了0.9~9.9个百分点;而在节点可视化任务中所提模型的类内节点聚合程度更高,类簇之间的边界更明显。可见,融合类全局信息能减少标签信息缺失对模型学习效果的不良影响,且该模型得到的节点表示在下游任务中表现出了更好的性能。
关键词
网络表示学习
图嵌入
图卷积神经网络
全局结构信息
拓扑优化
Keywords
network representation learning
graph embedding
Graph Convolutional Neural Network(GCNN)
global structural information
topology optimization
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
用于文本分类的CNN_BiLSTM_Attention混合模型
被引量：
24
3
作者
吴汉瑜
严江
黄少滨
李熔盛
姜梦奇
机构
哈尔滨工程大学计算机科学与技术学院
中电科大数据研究院有限公司提升政府治理能力大数据应用技术国家工程实验室
出处
《计算机科学》
CSCD
北大核心
2020年第S02期23-27,34,共6页
基金
提升政府治理能力大数据应用技术国家工程实验室开放基金。
文摘
文本分类是许多自然语言处理任务的基础。卷积神经网络可以提取文本的短语级特征,但是不能很好地捕获文本的结构信息;循环神经网络可以提取文本的全局结构信息,但是对关键模式信息捕获能力不足;而注意力机制能够学习到不同词或短语对文本整体语义的分布,关键的词或短语会被分配较高的权重,但是同样对全局结构信息不敏感。另外,现有模型大多只考虑词级信息,而忽略了短语级信息。针对上述模型中存在的问题,文中提出一种融合CNN,RNN,Attention的混合模型,该模型同时考虑不同层次的关键模式信息和全局结构信息,并把它们融合起来得到最终的文本表示,最后把文本表示输入softmax层进行分类。在多个文本分类数据集上进行了实验,实验结果表明该模型相较于现有模型可以实现更高的准确率。此外,还通过实验分析了模型的不同组件对模型性能的影响。
关键词
文本分类
关键模式
信息
全局结构信息
混合模型
文本表示
Keywords
Text classification
Key pattern information
Global structure information
Hybrid model
Text representation
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
融合异构图全局结构信息和时间序列的专利价值评估方法
陈晰
程戈
尹智斌
《情报杂志》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
融合全局结构信息的拓扑优化图卷积网络
富坤
高金辉
赵晓梦
李佳宁
《计算机应用》
CSCD
北大核心
2022
5
在线阅读
下载PDF
职称材料
3
用于文本分类的CNN_BiLSTM_Attention混合模型
吴汉瑜
严江
黄少滨
李熔盛
姜梦奇
《计算机科学》
CSCD
北大核心
2020
24
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
