CN114417888A - 一种语句关系的立体呈现方法和*** - Google Patents
一种语句关系的立体呈现方法和*** Download PDFInfo
- Publication number
- CN114417888A CN114417888A CN202210327659.2A CN202210327659A CN114417888A CN 114417888 A CN114417888 A CN 114417888A CN 202210327659 A CN202210327659 A CN 202210327659A CN 114417888 A CN114417888 A CN 114417888A
- Authority
- CN
- China
- Prior art keywords
- sentences
- statement
- sentence
- preset
- pair
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了一种语句关系的立体呈现方法和***,该方法包括:显示透明度为预定值的立体对象,其中,所述立体对象为轴对称的立体对象;在所述立体对象的表面显示多个语句;接收对所述多个语句中的预定语句的点击操作,获取被点击的所述预定语句;在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句;使用能够显示的并且穿过所述立体对象内部的线条将所述预定语句和所述相似语句进行连接。通过本申请解决了现有技术中无法形象展示两个语句之间关联关系的问题,从而提高了语句关联性的展示效果。
Description
技术领域
本申请涉及到语义处理领域,具体而言,涉及一种语句关系的立体呈现方法和***。
背景技术
在现有技术中,展示两个语句是否具有关联,一般使用“是”或者“否”来进行表示,或者使用一个百分比来标识相似度,这种表示方法不够形象,无法形象的展示两个语句之间的关联关系。
发明内容
本申请实施例提供了一种语句关系的立体呈现方法和***,以至少解决现有技术中无法形象展示两个语句之间关联关系的问题。
根据本申请的一个方面,提供了一种语句关系的立体呈现方法,包括:显示透明度为预定值的立体对象,其中,所述立体对象为轴对称的立体对象; 在所述立体对象的表面显示多个语句;接收对所述多个语句中的预定语句的点击操作,获取被点击的所述预定语句;在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句;使用能够显示的并且穿过所述立体对象内部的线条将所述预定语句和所述相似语句进行连接。
进一步地,所述立体对象为球,所述透明度的预定值为50%。
进一步地,在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句包括:将所述预定语句和所述多个语句中除所述预定语句之外的其他语句中的每个语句均组成一个语句对;将所述语句对输入到机器学习模型中,其中,所述机器学习模型用于判断两个语句的相似度;获取所述机器学习模型输出的每个语句对之间的相似度;获取相似度超过所述阈值的语句对,并将所述语句对中的除所述预定语句之外的另一个语句作为所述预定语句的相似语句。
进一步地,所述机器学习模型为预先使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括一对语句和一个人工标注的标签,该标签用于标识该语句对中的两个语句的相似度。
进一步地,在所述立体对象的表面显示多个语句为预先配置的。
根据本申请的另一个方面,还提供了一种语句关系的立体呈现***,包括:第一显示模块,用于显示透明度为预定值的立体对象,其中,所述立体对象为轴对称的立体对象;第二显示模块,用于在所述立体对象的表面显示多个语句;获取模块,用于接收对所述多个语句中的预定语句的点击操作,获取被点击的所述预定语句;查找模块,用于在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句;连接模块,用于使用能够显示的并且穿过所述立体对象内部的线条将所述预定语句和所述相似语句进行连接。
进一步地,所述立体对象为球,所述透明度的预定值为50%。
进一步地,所述查找模块用于:将所述预定语句和所述多个语句中除所述预定语句之外的其他语句中的每个语句均组成一个语句对;将所述语句对输入到机器学习模型中,其中,所述机器学习模型用于判断两个语句的相似度;获取所述机器学习模型输出的每个语句对之间的相似度;获取相似度超过所述阈值的语句对,并将所述语句对中的除所述预定语句之外的另一个语句作为所述预定语句的相似语句。
进一步地,所述机器学习模型为预先使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括一对语句和一个人工标注的标签,该标签用于标识该语句对中的两个语句的相似度。
进一步地,在所述立体对象的表面显示多个语句为预先配置的。
在本申请实施例中,采用了显示透明度为预定值的立体对象,其中,所述立体对象为轴对称的立体对象; 在所述立体对象的表面显示多个语句;接收对所述多个语句中的预定语句的点击操作,获取被点击的所述预定语句;在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句;使用能够显示的并且穿过所述立体对象内部的线条将所述预定语句和所述相似语句进行连接。通过本申请解决了现有技术中无法形象展示两个语句之间关联关系的问题,从而提高了语句关联性的展示效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的语句关系的立体呈现方法的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种语句关系的立体呈现方法,图1是根据本申请实施例的语句关系的立体呈现方法的流程图,如图1所示,该方法包括的步骤的如下所述。
步骤S102,显示透明度为预定值的立体对象,其中,所述立体对象为轴对称的立体对象; 例如,所述立体对象为球,所述透明度的预定值为50%。作为一个可以增加的实施方式,获取所述立体对象上显示的多个语句中的数量,根据所述多个语句的数量确定所述立体对象按照所述轴进行旋转的速度,其中,所述语句数量约大,则所述立体对象按照所述轴进行旋转的速度约慢。
步骤S104,在所述立体对象的表面显示多个语句。
在该步骤中,所述多个语句可以是预先配置的。
或者,作为一个可以增加的实施方式,显示的多个语句可以是自动生成,例如,从公开的网页中获取预定新闻事件,从所述预定新闻事件中提取出关键词,根据所述关键词查找另一玩野中对所述新闻事件的报道,两篇报道相同新闻事件的文章进行保存,获取所述两篇文章中包括所述关键词的语句,将两篇文章中包括所述关键词的语句作为在所述立体对象的表面显示的语句;以此方式,获取多个新闻事件对应的语句,并将所述多个新闻事件对应的语句显示在所述立体对象的表面。
步骤S106,接收对所述多个语句中的预定语句的点击操作,获取被点击的所述预定语句。
作为一个可选的实施方式,在获取被点击的所述预定语句之后,将所述预定语句进行复制得到所述预定语句的副本,将所述副本设置成透明度为90%,将所述副本显示在所述立体对象上面原来所述预定语句所在的位置,将所述预定语句显示在所述副本的上方,所述副本作为所述预定语句的阴影进行显示,增加了所述预定语句的立体显示效果。
步骤S108,在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句。
获取相似语句的方式有很多种,例如,可选地,将所述预定语句和所述多个语句中除所述预定语句之外的其他语句中的每个语句均组成一个语句对;将所述语句对输入到机器学习模型中,其中,所述机器学习模型用于判断两个语句的相似度;获取所述机器学习模型输出的每个语句对之间的相似度;获取相似度超过所述阈值的语句对,并将所述语句对中的除所述预定语句之外的另一个语句作为所述预定语句的相似语句。其中,所述机器学习模型为预先使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括一对语句和一个人工标注的标签,该标签用于标识该语句对中的两个语句的相似度。
作为另一个可以增加的实施方式,如果存在多个机器学习模型,则使用多个球来标识每个机器学习模型,其中,所述每个球上显示的语句是相同的,所述每个球一个训练好的机器学习模型,例如,不同的机器学习模型是使用不同数据量训练得到的。在一个球上接收到所述预定语句之后,在每个球上均显示所述预定语句和所述相似语句之间的关联关系。
步骤S110,使用能够显示的并且穿过所述立体对象内部的线条将所述预定语句和所述相似语句进行连接。
作为一个可以增加的实施方式,使用线条进行显示的时候,使用颜色的深浅和线条的粗细来标识所述预定语句和所述相似语句之间的相似度,其中,颜色越深则表示所述预定语句和所述相似语句之间的相似度越高,线条越粗则表示所述预定语句和所述相似语句之间的相似度约高,其中,颜色和粗细的默认值为预先配置的,所述线条的透明度大于或等于所述立体对象的透明度。
通过上述步骤解决了现有技术中无法形象展示两个语句之间关联关系的问题,从而提高了语句关联性的展示效果。
使用机器学习模型来得到语句相似度的方式有很多种,例如,在本实施例中就提供了如下的一种。
将第一句子中的词汇和第二句子的词汇分别进行词汇向量化处理得到第一词汇向量和第二词汇向量,所述第一句子包括至少两个词汇,所述第一词汇向量包括所述第一句子中所有词汇的词向量;所述第二句子包括至少一个词汇,所述第二词汇向量包括所述第二句子中所有词汇的词向量;将所述第一词汇向量根据第一压缩编码参数按照预设的词向量压缩顺序进行压缩编码处理得到第一语句向量;所述第二句子包括一个词汇时,将所述第二词汇向量作为第二语句向量;所述第二句子包括至少两个词汇时,将所述第二词汇向量根据第二压缩编码参数按照所述预设的词向量压缩顺序进行压缩编码处理得到第二语句向量;确定所述第一语句向量和所述第二语句向量之间的向量距离,根据所述向量距离评价所述第一句子与所述第二句子的语义相似度;所述方法还包括:利用双语平行语料,对所述第一压缩编码参数和所述第二压缩编码参数进行训练;所述第一压缩编码参数包括至少两层神经网络参数,所述将所述第一词汇向量根据第一压缩编码参数按照预设的词向量压缩顺序进行压缩编码处理得到第一语句向量具体包括:根据第一层神经网络参数将所述第一词汇向量中的第一词向量和第二词向量进行第一次压缩编码,生成中间压缩向量;根据第二层神经网络参数将所述中间压缩向量与第三词向量进行第二次压缩编码,直到将所述第一词汇向量中的词向量全部压缩编码得到所述第一语句向量,其中,所述第一词汇向量中的所有词向量、所述中间压缩向量和所述第一语句向量的向量维度相同。
可选地,所述利用双语平行语料,对所述第一压缩编码参数和所述第二压缩编码参数进行训练,具体包括:对双语平行语料中的第一训练句子,和与所述第一训练句子相同语义的第二训练句子进行词汇向量化处理得到第一训练词汇向量和第二训练词汇向量;根据所述第一压缩编码参数和所述第二压缩编码参数分别对所述第一训练词汇向量和所述第二训练词汇向量进行压缩编码得到所述第一训练句子的第一训练语句向量和所述第二训练句子的第二训练语句向量;确定所述第一训练语句向量和所述第二训练语句向量之间的向量距离;在所述向量距离未满足预设条件时,获取所述第一训练语句向量和所述第二训练语句向量之间的差值向量,将所述差值向量通过神经网络的反向传播BP算法进行错误传播,根据所述差值向量对所述第一压缩编码参数和所述第二压缩编码参数进行调整;利用调整后的所述第一压缩编码参数和所述第二压缩编码参数重新确定所述第一训练语句向量和所述第二训练语句向量之间的向量距离,直到所述向量距离满足预设条件时,停止对所述第一压缩编码参数和所述第二压缩编码参数进行训练。
可选地,所述根据所述差值向量对所述第一压缩编码参数和所述第二压缩编码参数进行调整具体包括:确定所述第一压缩编码参数中各层神经网络参数对应的层次错误向量,并根据所述层次错误向量确定每层神经网络参数的梯度;使用每层神经网络参数的梯度的均值对各层神经网络参数进行调整,或者,使用低层神经网络参数的梯度对各层神经网络参数进行调整,或者,使用高层神经网络参数的梯度对各层神经网络参数进行调整,其中,所述低层神经网络参数为最后一次压缩编码使用的神经网络参数,所述高层神经网络参数为第一次压缩编码使用的神经网络参数。
在本实施例中,提供一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行以上实施例中的方法。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
该本实施例中就提供了这样的一种装置或***。该***被称为语句关系的立体呈现***,包括:第一显示模块,用于显示透明度为预定值的立体对象,其中,所述立体对象为轴对称的立体对象; 第二显示模块,用于在所述立体对象的表面显示多个语句;获取模块,用于接收对所述多个语句中的预定语句的点击操作,获取被点击的所述预定语句;查找模块,用于在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句;连接模块,用于使用能够显示的并且穿过所述立体对象内部的线条将所述预定语句和所述相似语句进行连接。
该***或者装置用于实现上述的实施例中的方法的功能,该***或者装置中的每个模块与方法中的每个步骤相对应,已经在方法中进行过说明的,在此不再赘述。
例如,所述查找模块用于:将所述预定语句和所述多个语句中除所述预定语句之外的其他语句中的每个语句均组成一个语句对;将所述语句对输入到机器学习模型中,其中,所述机器学习模型用于判断两个语句的相似度;获取所述机器学习模型输出的每个语句对之间的相似度;获取相似度超过所述阈值的语句对,并将所述语句对中的除所述预定语句之外的另一个语句作为所述预定语句的相似语句。
可选地,所述机器学习模型为预先使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括一对语句和一个人工标注的标签,该标签用于标识该语句对中的两个语句的相似度。
通过上述实施例解决了现有技术中无法形象展示两个语句之间关联关系的问题,从而提高了语句关联性的展示效果。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种语句关系的立体呈现方法,其特征在于,包括:
显示透明度为预定值的立体对象,其中,所述立体对象为轴对称的立体对象;
在所述立体对象的表面显示多个语句;
接收对所述多个语句中的预定语句的点击操作,获取被点击的所述预定语句;
在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句;
使用能够显示的并且穿过所述立体对象内部的线条将所述预定语句和所述相似语句进行连接。
2.根据权利要求1所述的方法,其特征在于,所述立体对象为球,所述透明度的预定值为50%。
3.根据权利要求1所述的方法,其特征在于,在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句包括:
将所述预定语句和所述多个语句中除所述预定语句之外的其他语句中的每个语句均组成一个语句对;
将所述语句对输入到机器学习模型中,其中,所述机器学习模型用于判断两个语句的相似度;
获取所述机器学习模型输出的每个语句对之间的相似度;
获取相似度超过所述阈值的语句对,并将所述语句对中的除所述预定语句之外的另一个语句作为所述预定语句的相似语句。
4.根据权利要求3所述的方法,其特征在于,所述机器学习模型为预先使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括一对语句和一个人工标注的标签,该标签用于标识该语句对中的两个语句的相似度。
5.根据权利要求1至4中任一项所述的方法,其特征在于,在所述立体对象的表面显示多个语句为预先配置的。
6.一种语句关系的立体呈现***,其特征在于,包括:
第一显示模块,用于显示透明度为预定值的立体对象,其中,所述立体对象为轴对称的立体对象;
第二显示模块,用于在所述立体对象的表面显示多个语句;
获取模块,用于接收对所述多个语句中的预定语句的点击操作,获取被点击的所述预定语句;
查找模块,用于在所述多个语句中查找与所述预定语句语义相似度超过阈值的相似语句;
连接模块,用于使用能够显示的并且穿过所述立体对象内部的线条将所述预定语句和所述相似语句进行连接。
7.根据权利要求6所述的***,其特征在于,所述立体对象为球,所述透明度的预定值为50%。
8.根据权利要求6所述的***,其特征在于,所述查找模块用于:
将所述预定语句和所述多个语句中除所述预定语句之外的其他语句中的每个语句均组成一个语句对;
将所述语句对输入到机器学习模型中,其中,所述机器学习模型用于判断两个语句的相似度;
获取所述机器学习模型输出的每个语句对之间的相似度;
获取相似度超过所述阈值的语句对,并将所述语句对中的除所述预定语句之外的另一个语句作为所述预定语句的相似语句。
9.根据权利要求8所述的***,其特征在于,所述机器学习模型为预先使用多组训练数据训练得到的,所述多组训练数据中的每一组训练数据均包括一对语句和一个人工标注的标签,该标签用于标识该语句对中的两个语句的相似度。
10.根据权利要求6至9中任一项所述的***,其特征在于,在所述立体对象的表面显示多个语句为预先配置的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327659.2A CN114417888B (zh) | 2022-03-31 | 2022-03-31 | 一种语句关系的立体呈现方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327659.2A CN114417888B (zh) | 2022-03-31 | 2022-03-31 | 一种语句关系的立体呈现方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417888A true CN114417888A (zh) | 2022-04-29 |
CN114417888B CN114417888B (zh) | 2022-07-01 |
Family
ID=81263019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210327659.2A Active CN114417888B (zh) | 2022-03-31 | 2022-03-31 | 一种语句关系的立体呈现方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417888B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934205A (zh) * | 2015-12-31 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 一种数据关联关系的展示方法及装置 |
CN110019766A (zh) * | 2017-09-25 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 知识图谱的展示方法、装置、移动终端及可读存储介质 |
CN110795557A (zh) * | 2019-12-11 | 2020-02-14 | 北京明略软件***有限公司 | 一种知识图谱的展示方法及装置 |
-
2022
- 2022-03-31 CN CN202210327659.2A patent/CN114417888B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934205A (zh) * | 2015-12-31 | 2017-07-07 | 阿里巴巴集团控股有限公司 | 一种数据关联关系的展示方法及装置 |
CN110019766A (zh) * | 2017-09-25 | 2019-07-16 | 腾讯科技(深圳)有限公司 | 知识图谱的展示方法、装置、移动终端及可读存储介质 |
CN110795557A (zh) * | 2019-12-11 | 2020-02-14 | 北京明略软件***有限公司 | 一种知识图谱的展示方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114417888B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276066B (zh) | 实体关联关系的分析方法及相关装置 | |
CN108920654B (zh) | 一种问答文本语义匹配的方法和装置 | |
CN112329680B (zh) | 基于类激活图的半监督遥感影像目标检测和分割方法 | |
EP4053718A1 (en) | Watermark information embedding method and apparatus | |
CN109582948B (zh) | 评价观点抽取的方法及装置 | |
CN110555399A (zh) | 手指静脉识别方法、装置、计算机设备及可读存储介质 | |
CN110990559A (zh) | 用于对文本进行分类的方法和装置、存储介质及处理器 | |
CN111310464A (zh) | 词向量获取模型生成方法、装置及词向量获取方法、装置 | |
CN112395412B (zh) | 文本分类的方法、装置以及计算机可读介质 | |
CN109597982B (zh) | 摘要文本识别方法及装置 | |
CN110019784A (zh) | 一种文本分类方法及装置 | |
CN117951274A (zh) | 一种基于融合向量和关键词检索的rag知识问答方法和装置 | |
CN116522912B (zh) | 一种包装设计语言模型的训练方法、装置、介质及设备 | |
CN111507250B (zh) | 图像识别方法、设备及存储介质 | |
CN114417888B (zh) | 一种语句关系的立体呈现方法和*** | |
CN112527959A (zh) | 基于无池化卷积嵌入和注意分布神经网络的新闻分类方法 | |
CN116521990A (zh) | 物料处理的方法、装置、电子设备和计算机可读介质 | |
CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
US20220366144A1 (en) | Cascade pooling for natural language processing | |
CN114398489A (zh) | 一种基于Transformer的实体关系联合抽取方法、介质及*** | |
CN115204318A (zh) | 事件自动层级分类方法及电子设备 | |
CN111783453B (zh) | 文本的情感信息处理方法及装置 | |
CN113326688A (zh) | 一种基于思想政治词语查重处理方法和装置 | |
CN113609825A (zh) | 一种客户属性标签智能标识方法和装置 | |
CN114662487A (zh) | 一种文本分段方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Stereoscopic Presentation Method and System of Sentence Relations Effective date of registration: 20221121 Granted publication date: 20220701 Pledgee: Nanjing Branch of Jiangsu Bank Co.,Ltd. Pledgor: NANJING YUNCHUANG BIG DATA TECHNOLOGY Co.,Ltd. Registration number: Y2022980022505 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |