本课题组申报的专利

[发明授权] 一种用于远程监督关系抽取的基于BERT和MLM的降噪方法，专利号：ZL202110525465.9，授权公告日：2023.07.21，发明人：沈铁麟，王大玲，冯时，张一飞

本发明公开了一种用于远程监督关系抽取的基于BERT和MLM降噪方法，涉及远程监督关系抽取技术领域。将实体对定义为源实体和目标实体，从各类别对应的目标试题中筛选出单子词实体，并根据其对应的句子不是噪声句子的可能性对这些句子排序并构成句子集，从各句子集选取正负样本为各类别建立数据集，基于数据集中句子的实体在BERT模型最后一层编码器输出的隐藏状态，提取句子的MASK-lhs特征，利用全连接层捕获噪声句子与费噪声句子的MASK-lhs特征差异来训练二分类器，将训练好的二分类器作为各类别的专用降噪器，将训练集中的所有句子按类别送入对应的降噪器，找出并剔除噪声句子。降噪器是即插即用的，具有实用性。

[发明授权] 一种面向学者的用户画像构建及应用方法，专利号：ZL201910976349.1，授权公告日：2023.04.07，发明人：王大玲，陈英豪，冯时，张一飞

本发明提供一种面向学者的用户画像构建及应用方法。首先，从国内学者的个人主页上获取学者基本信息，从国内外著名学术网站上获取学者的研究信息，在此基础上对上述信息进行预处理，从而获得构建学者画像所需的语料库；之后，通过对学者基本属性和研究属性的挖掘，构建学者画像；最后，基于学者画像，实现学者搜索与专家发现、论文审稿人推荐、合作学者推荐等应用。该发明对于学者寻找项目和论文工作的合作者、学术会议和期刊主办者寻找论文审稿人、以及刚刚从事一个新的研究领域的入门者寻找领域的资深学者，均具有支持和帮助作用。

[发明授权] 一种基于层次化卷积神经网络的多标记情绪强度预测方法，专利号：ZL201910751989.2，授权公告日：2022.11.29，发明人：冯时，谢宏亮，王大玲，张一飞

本发明提出一种基于层次化卷积神经网络的多标记情绪强度预测方法，包括：将原始多标记社会媒体短文分为训练集及测试集；对训练集中一段原始多标记社会媒体短文本数据进行预处理，得到训练集基本情绪单标记数据；构建基于层次卷积神经网络的单标记情绪分类模型；基于注意力卷积神经网络构建情绪强度值模型；针对多标记社会媒体短文本测试数据，使用层次卷积神经网络的单标记情绪分类模型进行预测，得到优化后的多标记情绪强度向量。采用本发明的基于层次化卷积神经网络的多标记情绪强度预测方法，可以进一步提高社会媒体文本情绪强度预测的准确率，特别适合文本中同时存在多种基本情绪的场景。

[发明授权] 一种多模态情绪知识图谱的构建及展示方法，专利号：ZL202011319237.8，授权公告日：2021.09.07，发明人：王大玲，李久枫，冯时，张一飞

本发明提供一种多模态情绪知识图谱的构建及展示方法，涉及多模态知识管理技术领域。该方法首先收集、下载情绪词汇本体或词典、人脸表情和动物表情图像及社会媒体平台常用的表情符号；并对获取的文本和图像数据资源，分别进行预处理，使这些数据资源满足统一的抽象本体模型需求；然后基于文本情绪词、表情图像以及社交媒体表情符号的预处理结果，构建能够表达不同模态实体以及实体之间关系的多模态情绪知识图谱；最后通过采用前端的文本标记语言和前端页面的元素渲染语言的编程来实现对多模态情绪知识图谱的节点、图谱的边、图谱实体属性信息的展示和渲染；在此基础上实现图谱的用户交互功能；同时，通过图形可视化库增加知识图谱的动态效果。

[发明授权] 一种基于传递关系的本地自适应知识图谱优化方法，专利号：ZL201910154252.2，授权公告日：2020.09.01，发明人：王大玲，刘泓辰，冯时，张一飞

本发明提出一种基于传递关系的本地自适应知识图谱优化方法，包括：设定训练样本集；设定任意ri和ei初始属于某一分布；归一化；组成新的训练样本集；初始化三元组集合为空集；设定正确的三元组，其对应错误的三元组，用错误的三元组头实体或者尾实体替换正确的三元组，组成错误训练样本集，并且合并到三元组集合中；获得其实体的边缘参数；获得关系的边缘参数；计算边缘参数随实体和关系进行变化的参数；得到新的基于传递关系的损失函数；进行判断并使用随机梯度下降函数SGD对每个实体或者关系向量进行优化；本发明可以弥补数据的不完全性，并能够更好地表达出关系与实体间潜在的不同语义，优化后所构建的新的知识图谱具有更高的准确率。

[发明授权] 一种基于服装图像和标签文本双模态内容分析的个性化服装的推荐方法，专利号：ZL201710947454.3，授权公告日：2020.06.09，发明人：王大玲，沙丹丹，冯时，张一飞，于戈

本发明提出了一种基于服装图像和标签文本双模态内容分析的个性化服装的推荐方法，包括以下步骤：S1：通过对购物网站的服装图像中的细节属性进行分析，建立以服装细节部位图像和特征形式描述的服装商品模型和用户喜好模型；S2：通过对购物网站的服装标签文本进行分析，建立以文本形式描述的服装商品模型和用户喜好模型；S3：将所述步骤S1建立的基于服装图像的服装商品模型和所述步骤S2建立的用户喜好模型相结合，产生推荐结果。本发明将服装的图像和文本信息进行结合，基于前述两个模型的融合，为用户进行个性化服装推荐。