买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜浙江大学申请的专利一种基于类型注意力的神经零样本细粒度实体分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN112036170B 。

龙图腾网通过国家知识产权局官网在2025-04-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202010918084.2，技术领域涉及：G06F40/279；该发明授权一种基于类型注意力的神经零样本细粒度实体分类方法是由庄越挺;汤斯亮;高明合;勒一凡;任彦昆;谭炽烈;蒋韬设计研发完成，并于2020-09-03向国家知识产权局提交的专利申请。

本一种基于类型注意力的神经零样本细粒度实体分类方法在说明书摘要公布了：本发明公开了一种基于类型注意力的神经零样本细粒度实体分类方法，具体为：基于目标实体文本中各单词对应的单词向量，计算目标实体文本表示向量；基于句子中目标实体文本两侧各单词分别对应的语境单词向量，获取目标实体文本的基础语境向量；基于目标实体文本中各实体对应的类型，构建实体类型向量；基于目标实体类型向量及基础语境向量，计算两侧单词分别对应的相关注意力值；基于相关注意力值及基础语境向量，计算目标实体文本的相关语境向量；合并目标实体文本的实体表示向量和相关语境向量，获取整个句子的表示向量，利用已创建的实体类型分类器模型，获取目标实体文本属于各给定类别的分值，并有效改善实体细粒度分类的效果。

本发明授权一种基于类型注意力的神经零样本细粒度实体分类方法在权利要求书中公布了：1.一种基于类型注意力的神经零样本细粒度实体分类方法，其特征在于，包括如下步骤：S1：基于目标实体文本中各单词对应的单词向量，计算所述目标实体文本的实体表示向量；S2：基于目标实体文本所在句子中目标实体文本两侧各单词分别对应的语境单词向量，获取目标实体文本的基础语境向量；S3：基于目标实体文本中各实体对应的类型，构建目标实体类型向量；S4：基于所述目标实体类型向量及基础语境向量，计算目标实体文本两侧各单词分别对应的注意力值，之后对注意力值进行归一化处理，得到归一化注意力值；S5：基于所述归一化的注意力值及所述基础语境向量，计算目标实体文本的相关语境向量；S6：合并所述目标实体文本的实体表示向量和相关语境向量，获取整个句子的表示向量；基于该句子的表示向量，利用已创建的实体类型分类器模型，获取目标实体文本属于各给定类别的分值；所述S6中创建实体类型分类器模型的具体步骤如下：首先，根据下述公式合并所述目标实体文本的实体表示向量rm和相关语境向量rc,k，获取整个句子的表示向量c′， 之后基于整个句子的表示向量c′，根据非线性层函数和排序函数建立初始分类器模型；以所述分类器模型所有维度的成对加权近似损失作为优化目标，利用给定训练样本训练所述初始分类器模型，通过梯度下降法优化所述优化目标，获取所述实体类型分类器模型；所述实体类型分类器模型的创建步骤如下：S61：将目标实体文本所在句子的表示向量c′映射到确定维度的向量空间r＝B·c′式中，r表示映射后的句子表示向量，D为向量空间的维度；B表示映射矩阵，用于把句子表示向量映射到确定维度的向量空间；S62：将目标实体类型向量映射到向量空间 式中，t_v表示映射后的目标实体类型向量；A表示映射矩阵，用于把目标实体类型向量映射到确定维度的向量空间；S63：计算映射后的句子表示向量r和映射后的目标实体类型向量t_v的点积表示实体提及和上下文表示与实体类型表示的相似度，s＝r·t_v式中，s表示实体提及和上下文表示与实体类型表示的相似度，相似度越高表示该实体提及与该实体类型的匹配度越高；S64：以所述分类器模型的成对加权近似损失作为优化目标，利用给定训练样本训练所述分类器模型，通过梯度下降优化所述优化目标，获取所述实体类型分类器模型，具体如下： 式中，Jθ表示优化目标，t为一个给定实体提及m的正类别集合，为一个给定实体提及m的负类别集合；Y和分别是正类别集合和负类别集合；maxa,b表示a，b中取值较大的一个；x为任意中间变量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江大学，其通讯地址为：310058 浙江省杭州市西湖区余杭塘路866号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。