[发明专利]基于实时学习的融合型词义嵌入方法有效
| 申请号： | 201910839702.1 | 申请日： | 2019-09-06 |
| 公开（公告）号： | CN110705274B | 公开（公告）日： | 2023-03-24 |
| 发明（设计）人： | 桂盛霖;方丹 | 申请（专利权）人： | 电子科技大学 |
| 主分类号： | G06F40/284 | 分类号： | G06F40/284;G06F16/35 |
| 代理公司： | 电子科技大学专利中心 51203 | 代理人： | 周刘英 |
| 地址： | 611731 四川省成*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于实时学习的融合型词义嵌入方法，属于词向量的自动生成技术领域。本发明基于其所设置神经网络语言模型，基于其投影输出得到当前待进行词义嵌入处理的词的词义向量；该神经网络语言模型的网络结构的输入层，用于获取当前词k在预置的词向量矩阵V中的对应向量；投影层，用于对当前词k进行判断，若其为单义词，则做恒等投影，k在预置的词向量矩阵V中的对应向量作为投影层输出；若其为多义词，则通过基于实时学习的词义识别算法获取其对应的词义向量，投影层输出为该获取的词义向量。本发明利用实时学习的方法实现对多义词的词义向量的计算和生成，在保证词义向量计算效率的前提下，提高生成向量的质量。 | ||
| 搜索关键词： | 基于 实时 学习 融合 词义 嵌入 方法 | ||
【主权项】：
1.基于实时学习的融合型词义嵌入方法，其特征在于，包括下列步骤：/n步骤1：设置神经网络语言模型；/n所述神经网络语言模型的网络结构包括输入层、投影层；/n其中，输入层，用于获取当前词k在预置的词向量矩阵V中的对应向量V(k)；/n投影层，用于对当前词k进行判断，若其为单义词，则做恒等投影，投影层输出X(k)＝V(k)；若其为多义词，则通过基于实时学习的词义识别算法getCenter(k,h)获取其对应的词义向量C(k,h)，投影层输出X(k)＝C(k,h)，其中h表示当前词k的环境向量；/n步骤2：基于预设的训练样本集对步骤1构建的神经网络语言模型进行神经网络学习训练；当满足预设的训练需求时，停止并保存训练好的神经网络语言模型；/n步骤3：将待进行词义嵌入处理的词输入训练好的神经网络语言模型，基于其投影输出得到当前待进行词义嵌入处理的词的词义向量。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于电子科技大学，未经电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910839702.1/，转载请声明来源钻瓜专利网。
