CN110674280B - 一种基于增强问题重要性表示的答案选择算法 - Google Patents

一种基于增强问题重要性表示的答案选择算法 Download PDF

Info

Publication number
CN110674280B
CN110674280B CN201911143753.7A CN201911143753A CN110674280B CN 110674280 B CN110674280 B CN 110674280B CN 201911143753 A CN201911143753 A CN 201911143753A CN 110674280 B CN110674280 B CN 110674280B
Authority
CN
China
Prior art keywords
vector
answer
word
question
vectors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911143753.7A
Other languages
English (en)
Other versions
CN110674280A (zh
Inventor
琚生根
谢正文
熊熙
孙界平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Microparticle Biotechnology Co ltd
Original Assignee
Beijing Zhongke Microparticle Biotechnology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Microparticle Biotechnology Co ltd filed Critical Beijing Zhongke Microparticle Biotechnology Co ltd
Publication of CN110674280A publication Critical patent/CN110674280A/zh
Application granted granted Critical
Publication of CN110674280B publication Critical patent/CN110674280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于增强问题重要性表示的答案选择算法，步骤如下：S1，将问题和答案通过BiLSTM编码层对问题和答案进行编码；S2，编码后的问题利用自注意力机制得到新的问题向量；S3，将问题和答案构建词级相似度矩阵进行对齐；S4，捕捉多粒度的语义信息，将不同粒度的向量进行融合比较；S5，通过多窗口CNN来提取融合特征，得出最佳选项。该基于增强问题重要性表示的答案选择算法针对句子中的噪声词，提出了基于问题重要性表示网络的答案选择算法，该方法利用自注意力机制重新赋予各个词不同的权重从而生成“干净”的问题句子向量；利用词级交互矩阵捕捉问题句子和答案句子之间的细粒度语义信息，缓解了答案句子中噪声词的影响。

Description

一种基于增强问题重要性表示的答案选择算法
技术领域
本发明涉及答案选择技术领域，具体为一种基于增强问题重要性表示的答案选择算法。
背景技术
答案选择(AS)是问答(QA)中的一个子任务，也是近年来信息检索(IR)中的一个热门话题。答案选择是根据输入问题从候选答案列表中选择最合适的答案。
但是现在常用的方法中存在噪声词的影响，从而影响答案的精准性。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于增强问题重要性表示的答案选择算法。
为实现上述目的，本发明提供如下技术方案：一种基于增强问题重要性表示的答案选择算法，步骤如下：
S1，将问题和答案通过BiLSTM编码层对问题和答案进行编码；
S2，编码后的问题和答案利用自注意力机制的问题向量重生成得到新的问题向量；
S3，将问题和答案中的词级利用词级相似度矩阵对齐；
S4，捕捉多粒度的语义信息，将不同粒度的向量进行比较；
S5，通过多层CNN来提取融合特征，得出最佳选项。
优选的，所述在步骤S1中Q为问题，答案为A，用Hq＝{hq1,...,hqm}和Ha＝{ha1,...,han}来表示问题句向量和答案句向量，是句子Hq的第i个词嵌入，m和n分别表示问题和答案的长度；
问题和答案通过BiLSTM编码层捕捉到句子上下文的信息，LSTM的隐层维度为u，在t时刻的嵌入词为xt,前一时刻的隐层和记忆单元分别为ht-1和ct-1，下一时刻的隐层ht和记忆单元ct计算如下：
gt＝φ(Wgxt+Vght-1+bg)，
it＝σ(Wixt+Wiht-1+bi)，
ft＝σ(Wfxt+Wfht-1+bf)，
ot＝σ(Woxt+Woht-1+bo),
ct＝gt⊙it+ct-1⊙ft，
ht＝ct⊙ot
其中，的，/>σ和φ分别是sigmoid函数和tanh函数，⊙表示两个向量进行元素相乘，输入门i，遗忘门f和输出门o能够自动的控制信息的流动,同时记忆单元ct可以记住长距离的信息ht是t时刻的向量表示。
优选的，所述步骤S2中对步骤S1中得到问题的句子Tq＝{tq1,...,tqm}和答案的句子Ta＝{ta1,...,tan},其中对问题中的每个词进行计算权重并更新权重,生成新的问题向量表示。所述新的向量计算公式为：
v＝TqW1；其中
αq＝sigmoid(v)；其中
Uq＝αq⊙Tq；其中
优选的，所述词级矩阵的计算方式为：
M(i,j)＝Uq(i)Ta(j)T
其中，词级矩阵的每一行是问题中的词对答案中的每个词的影响，对词级矩阵的行和列用softmax函数进行归一化，得到互信息影响因子λq(i,j)和λa(i,j)，其中，λq(i,j)和λa(i,j)的取值范围均在[0,1]；将问题向量和答案向量与对应的影响因子相乘得到两个新的向量Eq和Ea。
优选的，所述在步骤S4中，问题原始向量表示为Q,经过注意力对齐层的向量表示为答案原始向量为A,经过注意力对齐层的向量表示为/>向量相减表示两个向量之间的欧式距离，向量相乘近似于两个向量之间的余弦距离，具体计算公式如下：
其中，
优选的，所述步骤S5中的计算公式为：
u＝CNN(Fuse)，其中，Fuse表示融合含量Kq或者融合含量Ka；
CNN的输出u通过最大池化和平均池化得到Sq,max，Sa,max，Sq,mean，Sa,mean，然后拼接成一个向量S；
通过多层感知器中(MLP)得到最后的预测向量利用下列公式得到得分向量；
G＝softmax(Score)；
减少预测值的概率分布接与标签值的概率分布的差距，公式为：
与现有技术相比，本发明的有益效果是：该基于增强问题重要性表示的答案选择算法针对句子中的噪声词，提出了基于问题重要性表示网络的答案选择算法，该方法利用自注意力机制重新赋予各个词不同的权重从而生成“干净”的问题句子向量；利用词级交互矩阵捕捉问题句子和答案句子之间的细粒度语义信息，缓解了答案句子中噪声词的影响。
附图说明
图1为本发明整体框架图；
图2为基于自注意力机制的问题向量生成图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，本发明提供一种技术方案：一种基于增强问题重要性表示的答案选择算法，步骤如下：
S1，将问题和答案通过BiLSTM编码层对问题和答案进行编码；所述在步骤S1中Q为问题，答案为A，用Hq＝{hq1,...,hqm}和Ha＝{ha1,...,han}来表示问题句向量和答案句向量，是句子Hq的第i个词嵌入，m和n分别表示问题和答案的长度；
问题和答案通过BiLSTM编码层捕捉到句子上下文的信息，LSTM的隐层维度为u，在t时刻的嵌入词为xt,前一时刻的隐层和记忆单元分别为ht-1和ct-1，下一时刻的隐层ht和记忆单元ct计算如下：
gt＝φ(Wgxt+Vght-1+bg)，
it＝σ(Wixt+Wiht-1+bi)，
ft＝σ(Wfxt+Wfht-1+bf)，
ot＝σ(Woxt+Woht-1+bo),
ct＝gt⊙it+ct-1⊙ft，
ht＝ct⊙ot
其中，的，/>σ和φ分别是sigmoid函数和tanh函数，⊙表示两个向量进行元素相乘，输入门i，遗忘门f和输出门o能够自动的控制信息的流动,同时记忆单元ct可以记住长距离的信息ht是t时刻的向量表示。
S2，编码后的问题和答案利用自注意力机制的问题向量重生成得到新的问题向量；所述步骤S2中对步骤S1中得到问题的句子Tq＝{tq1,...,tqm}和答案的句子Ta＝{ta1,...,tan},其中对问题中的每个词进行计算权重并更新权重,生成新的问题向量表示。所述新的向量计算公式为：
v＝TqW1；其中
αq＝sigmoid(v)；其中
Uq＝αq⊙Tq；其中
S3，将问题和答案构建词级相似度矩阵进行对齐；所述词级矩阵的计算方式为：
M(i,j)＝Uq(i)Ta(j)T
其中，词级矩阵的每一行是问题中的词对答案中的每个词的影响，对词级矩阵的行和列用softmax函数进行归一化，得到互信息影响因子λq(i,j)和λa(i,j)，其中，λq(i,j)和λa(i,j)的取值范围均在[0,1]；将问题向量和答案向量与对应的影响因子相乘得到两个新的向量Eq和Ea。
S4，捕捉多粒度的语义信息，将不同粒度的向量进行融合比较；问题原始向量表示为Q,经过注意力对齐层的向量表示为答案原始向量为A,经过注意力对齐层的向量表示为/>向量相减表示两个向量之间的欧式距离，向量相乘近似于两个向量之间的余弦距离，具体计算公式如下：
其中，
S5，通过多层CNN来提取融合特征，得出最佳选项，计算公式为：
u＝CNN(Fuse)，其中，Fuse表示融合含量Kq或者融合含量Ka；
CNN的输出u通过最大池化和平均池化得到Sq,max，Sa,max，Sq,mean，Sa,mean，然后拼接成一个向量S；
通过多层感知器中(MLP)得到最后的预测向量利用下列公式得到得分向量；
G＝softmax(Score)；
减少预测值的概率分布接与标签值的概率分布的差距，公式为：
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于增强问题重要性表示的答案选择算法，其特征在于：步骤如下：
S1，将问题和答案通过BiLSTM编码层对问题和答案进行编码，得到问题的句子和答案的句子；
S2，编码后的问题利用自注意力机制得到新的问题向量；所述步骤S2中对步骤S1中得到问题的句子Tq＝{tq1,...,tqm}和答案的句子Ta＝{ta1,...,tan},其中 m和n分别表示问题和答案的长度，u为LSTM的隐层维度；对问题中的每个词进行计算权重并更新权重,生成新的问题向量表示；所述新的向量计算公式为：
v＝TqW1；其中
αq＝sigmoid(v)；其中
Uq＝αq⊙Tq；其中
S3，将问题和答案构建词级相似度矩阵进行对齐；所述词级相似度矩阵的计算方式为：
M(i,j)＝Uq(i)Ta(j)T
其中，词级相似度矩阵的每一行是问题中的词对答案中的每个词的影响，对词级相似度矩阵的行和列用softmax函数进行归一化，得到互信息影响因子λq(i,j)和λa(i,j)，其中，λq(i,j)和λa(i,j)的取值范围均在[0,1]；将问题向量和答案向量与对应的影响因子相乘得到两个新的向量Eq和Ea；
S4，捕捉多粒度的语义信息，将不同粒度的向量进行融合比较；所述在步骤S4中，问题原始向量表示为Q,经过注意力对齐层的向量表示为答案原始向量为A,经过注意力对齐层的向量表示为/>向量相减表示两个向量之间的欧式距离，向量相乘近似于两个向量之间的余弦距离，具体计算公式如下：
其中，
S5，通过多窗口CNN来提取融合特征，得出最佳选项；
所述步骤S5中的计算公式为：
U＝CNN(Fuse)，其中，Fuse表示融合向量Kq或者融合向量Ka；
CNN的输出U通过最大池化和平均池化得到Sq,max，Sa,max，Sq,mean，Sa,mean，然后拼接成一个向量S；
通过多层感知器(MLP)得到最后的预测向量利用下列公式得到得分向量；
G＝softmax(Score)；
减少预测值的概率分布接与标签值的概率分布的差距，公式为：
2.根据权利要求1所述基于增强问题重要性表示的答案选择算法，其特征在于：所述在步骤S1中Q为问题，答案为A，用Hq＝{hq1,...,hqm}和Ha＝{ha1,...,han}来表示问题句向量和答案句向量，是句子Hq的第i个词嵌入；
问题和答案通过BiLSTM编码层捕捉到句子上下文的信息，在t时刻的嵌入词为xt,前一时刻的隐层和记忆单元分别为ht-1和ct-1，下一时刻的隐层ht和记忆单元ct计算如下：
gt＝φ(Wgxt+Vght-1+bg)，
it＝σ(Wixt+Wiht-1+bi)，
ft＝σ(Wfxt+Wfht-1+bf)，
ot＝σ(Woxt+Woht-1+bo),
ct＝gt⊙it+ct-1⊙ft，
ht＝ct⊙ot
其中，σ和φ分别是sigmoid函数和tanh函数，⊙表示两个向量进行元素相乘，输入门i，遗忘门f和输出门o能够自动的控制信息的流动,同时记忆单元ct可以记住长距离的信息ht是t时刻的向量表示。
CN201911143753.7A 2019-06-21 2019-11-20 一种基于增强问题重要性表示的答案选择算法 Active CN110674280B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910542759 2019-06-21
CN2019105427595 2019-06-21

Publications (2)

Publication Number Publication Date
CN110674280A CN110674280A (zh) 2020-01-10
CN110674280B true CN110674280B (zh) 2023-12-15

Family

ID=69087950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911143753.7A Active CN110674280B (zh) 2019-06-21 2019-11-20 一种基于增强问题重要性表示的答案选择算法

Country Status (1)

Country Link
CN (1) CN110674280B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111665819A (zh) * 2020-06-08 2020-09-15 杭州电子科技大学 一种基于深度学习多模型融合的复杂化工过程故障诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018063696A (ja) * 2016-10-07 2018-04-19 国立研究開発法人情報通信研究機構 ノン・ファクトイド型質問応答システム及び方法並びにそのためのコンピュータプログラム
CN108763284A (zh) * 2018-04-13 2018-11-06 华南理工大学 一种基于深度学习和主题模型的问答***实现方法
CN108829719A (zh) * 2018-05-07 2018-11-16 中国科学院合肥物质科学研究院 一种非事实类问答答案选择方法及***
CN108845990A (zh) * 2018-06-12 2018-11-20 北京慧闻科技发展有限公司 基于双向注意力机制的答案选择方法、装置和电子设备
CN108959246A (zh) * 2018-06-12 2018-12-07 北京慧闻科技发展有限公司 基于改进的注意力机制的答案选择方法、装置和电子设备
CN109033068A (zh) * 2018-06-14 2018-12-18 北京慧闻科技发展有限公司 基于注意力机制的用于阅读理解的方法、装置和电子设备
CN109670029A (zh) * 2018-12-28 2019-04-23 百度在线网络技术（北京）有限公司 用于确定问题答案的方法、装置、计算机设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844368B (zh) * 2015-12-03 2020-06-16 华为技术有限公司 用于人机对话的方法、神经网络***和用户设备
US20180329884A1 (en) * 2017-05-12 2018-11-15 Rsvp Technologies Inc. Neural contextual conversation learning
JP2019020893A (ja) * 2017-07-13 2019-02-07 国立研究開発法人情報通信研究機構 ノン・ファクトイド型質問応答装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018063696A (ja) * 2016-10-07 2018-04-19 国立研究開発法人情報通信研究機構 ノン・ファクトイド型質問応答システム及び方法並びにそのためのコンピュータプログラム
CN108763284A (zh) * 2018-04-13 2018-11-06 华南理工大学 一种基于深度学习和主题模型的问答***实现方法
CN108829719A (zh) * 2018-05-07 2018-11-16 中国科学院合肥物质科学研究院 一种非事实类问答答案选择方法及***
CN108845990A (zh) * 2018-06-12 2018-11-20 北京慧闻科技发展有限公司 基于双向注意力机制的答案选择方法、装置和电子设备
CN108959246A (zh) * 2018-06-12 2018-12-07 北京慧闻科技发展有限公司 基于改进的注意力机制的答案选择方法、装置和电子设备
CN109033068A (zh) * 2018-06-14 2018-12-18 北京慧闻科技发展有限公司 基于注意力机制的用于阅读理解的方法、装置和电子设备
CN109670029A (zh) * 2018-12-28 2019-04-23 百度在线网络技术（北京）有限公司 用于确定问题答案的方法、装置、计算机设备及存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
P-CNN: Enhancing text matching with positional convolutional neural network;Y Song;《Knowledge-Based Systems》;20190401;第169卷;67-79 *
基于句内注意力机制的答案自动抽取方法;栾克鑫等;《智能计算机与应用》;20171028(第05期);90-94,97 *
基于多尺度相似度特征的答案选择算法;陈柯锦等;《***工程与电子技术》;20180511(第06期);215-221 *
基于段落内部推理和联合问题答案匹配的选择型阅读理解模型;王霞等;《四川大学学报(自然科学版)》;20190513(第03期);53-60 *
基于注意力机制的答案选择方法研究;熊雪等;《智能计算机与应用》;20181105(第06期);96-99,106 *
基于深度学习的QA答案选择算法研究;王梓良;《中国优秀硕士学位论文全文数据库信息科技辑》;20181015(第10期);I138-915 *
深度文本匹配综述;庞亮等;《计算机学报》;20170430(第04期);215-233 *

Also Published As

Publication number Publication date
CN110674280A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN109783827B (zh) 一种基于动态线性聚合的深层神经机器翻译方法
US11170287B2 (en) Generating dual sequence inferences using a neural network model
CN111611377B (zh) 基于知识蒸馏的多层神经网络语言模型训练方法与装置
CN109472031B (zh) 一种基于双记忆注意力的方面级别情感分类模型及方法
CN110929092B (zh) 一种基于动态注意力机制的多事件视频描述方法
US11562177B2 (en) Triple verification device and triple verification method
KR102492318B1 (ko) 모델 학습 방법 및 장치, 및 데이터 인식 방법
US11580975B2 (en) Systems and methods for response selection in multi-party conversations with dynamic topic tracking
US7107207B2 (en) Training machine learning by sequential conditional generalized iterative scaling
CN112733444A (zh) 基于CycleGAN神经网络的多步长时间序列预测方法
CN110612537A (zh) 用于批归一化的循环高速路网络的***和方法
CN112527966B (zh) 基于Bi-GRU神经网络和自注意力机制的网络文本情感分析方法
CN110866113B (zh) 基于稀疏自注意力机制微调伯特模型的文本分类方法
CN117390151B (zh) 结构健康诊断视觉-语言基础模型和多模态交互***的建立方法
Vialatte et al. A study of deep learning robustness against computation failures
CN115080715B (zh) 基于残差结构和双向融合注意力的跨度提取阅读理解方法
CN111914553A (zh) 一种基于机器学习的金融信息负面主体判定的方法
CN110674280B (zh) 一种基于增强问题重要性表示的答案选择算法
CN112116685A (zh) 基于多粒度奖励机制的多注意力融合网络的图像字幕生成方法
CN115186147A (zh) 对话内容的生成方法及装置、存储介质、终端
CN109948163B (zh) 序列动态阅读的自然语言语义匹配方法
CN111582287B (zh) 一种基于充足视觉信息与文本信息的图像描述方法
CN116543289B (zh) 一种基于编码器-解码器及Bi-LSTM注意力模型的图像描述方法
CN110808036B (zh) 一种增量式语音命令词识别方法
CN116362242A (zh) 一种小样本槽值提取方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20230411

Address after: 518000 room 110, No. 41, Longguan West Road, Dalang, Longhua District, Shenzhen, Guangdong

Applicant after: Zhuo Mucheng

Address before: 610064, No. 24, south section of Ring Road, Sichuan, Chengdu

Applicant before: SICHUAN University

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231110

Address after: Room 302, Unit 1, 3rd Floor, Building 4, Yard 1, Wujiachang Road, Haidian District, Beijing, 100080

Applicant after: Beijing Zhongke Microparticle Biotechnology Co.,Ltd.

Address before: 518000 room 110, No. 41, Longguan West Road, Dalang, Longhua District, Shenzhen, Guangdong

Applicant before: Zhuo Mucheng

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant