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！

龙图腾网获悉福州大学申请的专利基于异构图注意力网络的数学应用题自动求解方法及系统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：CN116775841B 。

龙图腾网通过国家知识产权局官网在2025-06-06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：202310794785.3，技术领域涉及：G06F16/3329；该发明授权基于异构图注意力网络的数学应用题自动求解方法及系统是由陈羽中;徐俊杰;陈子阳设计研发完成，并于2023-06-30向国家知识产权局提交的专利申请。

本基于异构图注意力网络的数学应用题自动求解方法及系统在说明书摘要公布了：本发明涉及一种基于异构图注意力网络的数学应用题自动求解方法及系统，该方法包括以下步骤：步骤A：采集数学应用题文本、解表达式和答案，构建数学应用题训练集DS；步骤B：使用训练集DS训练基于异构图注意力网络的深度学习网络模型G，用于求解数学应用题；步骤C：将数学应用题文本输入深度学习网络模型G中，输出当前数学应用题的相应解表达式和答案。该方法及系统有利于提高数学应用题求解的准确性。

本发明授权基于异构图注意力网络的数学应用题自动求解方法及系统在权利要求书中公布了：1.一种基于异构图注意力网络的数学应用题自动求解方法，其特征在于，包括以下步骤：步骤A：采集数学应用题文本、解表达式和答案，构建数学应用题训练集DS；步骤B：使用训练集DS训练基于异构图注意力网络的深度学习网络模型G，用于求解数学应用题；步骤C：将数学应用题文本输入深度学习网络模型G中，输出当前数学应用题的相应解表达式和答案；所述步骤B具体包括以下步骤：步骤B1：从训练集DS中的每个训练样本提取出其中的数字并替换为特殊的token[NUM]，然后进行编码，得到数学应用题文本的初始表征向量E、依赖树邻接矩阵As和成分树邻接矩阵列表Cs，对每个训练样本中提取出来的数字进行单独编码得到数字编码表示Enum，然后对数字按照大小关系进行构图，并输入图卷积神经网络中，得到融合大小关系的数字隐藏表示hnum，将初始表征向量E中的数字表示与融合大小关系的数字隐藏表示hnum进行双仿射融合，得到数字表征向量hnew，再将其放回初始表征向量E，得到融合数字表示的表征向量hfs；步骤B2：对训练集DS中的每个训练样本按照标点符号进行分句，将融合数字表示的表征向量hfs按照子句分割，得到分割后子句的表示hc_s，同样对分句后的每个子句构建依赖树邻接矩阵Ac_s和成分树邻接矩阵列表Cc_s；步骤B3：将步骤B2得到的句法依存邻接矩阵Ac_s和成分树矩阵列表Cc_s进行融合，得到子句级邻接矩阵列表adjc_s，将子句级邻接矩阵adjc_s和子句的表征向量hc_s输入到多层图注意力神经网络中，得到子句级数学应用题文本表示gc_s，然后将子句级文本表示gc_s重新拼接，得到融合子句表示的数学应用题表征向量hc_g；步骤B4：将步骤B1得到的句法依存邻接矩阵As和成分树邻接矩阵列表Cs进行融合，得到样本级邻接矩阵列表adj，将样本级邻接矩阵列表adj和融合子句表示的数学应用题表征向量hc_g输入到多层图注意力神经网络中，得到样本级的数学应用题文本表示h，然后将样本级数学应用题文本表示h进行平均池化，得到初始目标向量q；步骤B5：将步骤B4中得到的样本级的数学应用题文本表示h和初始目标向量q输入到树型解码器中，根据目标损失函数loss，利用反向传播方法计算深度学习网络模型中各参数的梯度，并利用随机梯度下降方法更新各参数；步骤B6：当深度学习网络模型产生的损失值迭代变化小于所给定阈值、或者达到最大迭代次数，则终止深度学习网络模型的训练过程；所述步骤B3具体包括以下步骤：步骤B31：选择步骤B2中得到的子句的成分树的邻接矩阵Cc_s的最后K层，得到子句的成分树邻接矩阵将步骤B2中得到的子句的依赖树的邻接矩阵Ac_s复制K次并将其与成分树矩阵以取并集的方式融合，即当两者有一方为1，则邻接矩阵对应位置为1，否则为0，得到子句级邻接矩阵列表adjc_s；步骤B32：将步骤B31中得到的子句级邻接矩阵adjc_s和子句的表征向量hc_s输入到K层图注意力神经网络中，得到子句级数学应用题文本表示gc_s，然后进行拼接，得到融合子句表示的数学应用题表征向量hc_g；hc_s＝g0 hc_g＝||gK其中，W4和W5是可学习的权重矩阵，∥表示拼接操作，FFC表示前馈神经网络，表示第l层i节点的邻居节点；所述步骤B4具体包括以下步骤：步骤B41：将步骤B1中得到的依赖树邻接矩阵As和成分树邻接矩阵列表Cs按照子句级邻接矩阵的融合方式融合，得到样本级邻接矩阵adj；步骤B42：将步骤B41中得到的样本级邻接矩阵adj和步骤B3得到的子句级的表征向量输入到K层图注意力神经网络中，得到样本级的表征向量h，然后对其进行平均池化，得到初始目标向量q；hc_g＝g0 h＝gKq＝MeanPoolh其中，W6、W7和是可学习的权重矩阵，d表示输入维度，H表示注意力头数。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。

以上内容由龙图腾AI智能生成。