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！

龙图腾网获悉江西师范大学申请的专利一种基于知识图谱的初中数学知识点关系抽取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：CN118709773B 。

龙图腾网通过国家知识产权局官网在2025-06-10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：202411217878.0，技术领域涉及：G06N5/025；该发明授权一种基于知识图谱的初中数学知识点关系抽取方法是由万剑怡;王菲菲;陈开阳;邵佳兴;肖聪;刘璟;罗文兵;王明文设计研发完成，并于2024-09-02向国家知识产权局提交的专利申请。

本一种基于知识图谱的初中数学知识点关系抽取方法在说明书摘要公布了：本发明公开了一种基于知识图谱的初中数学知识点关系抽取方法，包括如下步骤，构建数据集进行预处理，得到句子文本数据，将句子文本数据输入预训练语言模块进行处理，得到文本语义特征编码向量，将数据集输入基于知识表示学习的预训练语言模块，得到实体特征编码向量和关系类型特征编码向量集合，将文本语义特征编码向量、实体特征编码向量和关系类型特征编码向量集合输入局部实体语义融合模块，得到关系‑语义特征编码向量，将关系‑语义特征编码向量输入到分类器模块中进行预测。本方法通过将关系类型特征编码向量集合、句子文本数据和实体特征编码向量充分的融合，提高了关系抽取效果的准确率。

本发明授权一种基于知识图谱的初中数学知识点关系抽取方法在权利要求书中公布了：1.一种基于知识图谱的初中数学知识点关系抽取方法，其特征在于，包括如下步骤：步骤S1：构建数据集，数据集包括若干句子文本数据，对数据集内句子文本数据进行标注；步骤S1中对数据集内句子文本数据进行标注，具体过程为：构建中学数学知识点数据集，中学数学知识点数据集包含实体集合和关系类型集合；其中，中学数学知识点数据集包括若干句子文本数据X，句子文本数据X中包含：头实体，尾实体，两个实体之间的关系；句子文本数据X表示为： （1）；式中，X表示句子文本数据；表示句子文本数据X中的第i＋1个字符；表示句子文本数据X中的第i个字符，表示句子文本数据X中的第i+n个字符；表示句子文本数据X中的第i+n+k个字符；表示句子文本数据X中的第i+n+m个字符；和分别表示头实体的起始标志和结束标志；和分别表示头实体和尾实体的跨度；和分别表示尾实体的起始标志和结束标志；步骤S2：构建抽取模型，抽取模型包括预训练语言模块BERT、基于知识表示学习的预训练语言模块、预局部实体语义融合模块、均衡关系融合模块和分类器模块；步骤S3：将句子文本数据输入预训练语言模块BERT进行处理，得到文本语义特征编码向量；将数据集作为基于知识表示学习的预训练语言模块的输入，得到实体特征编码向量和关系类型特征编码向量集合；步骤S3中得到实体特征编码向量和关系类型特征编码向量集合，具体过程为：将中学数学知识点数据集中的实体集合E={e1,e2,…,en，t1,t2,…,tn}和关系类型集合L={l1,l2,…,ln}以关系三元组S={e,l,t}的形式表示，将S，E，L作为基于知识表示学习的预训练语言模块的输入，得到实体特征编码向量和关系类型特征编码向量集合，表示为： =MATH-ENITITY（S，E，L）（3）；r={}=MATH-RELATION（S，E，L）（4）；式中，e表示头实体；l表示关系类型；t表示尾实体；表示头实体特征编码向量；表示尾实体特征编码向量；e1表示实体集合中第1个头实体；e2表示实体集合中第2个头实体；en表示实体集合中第n个头实体；t1表示实体集合中第1个尾实体；t2表示实体集合中第2个尾实体；tn表示实体集合中第n个尾实体；l1表示关系类型集合中第1个关系类型；l2表示关系类型集合中第2个关系类型；ln表示关系类型集合中第n个关系类型；MATH-ENITITY表示实体特征编码向量在知识表示学习的预训练语言模块中的过程；表示关系类型特征编码向量集合中第个关系类型特征编码向量；表示关系类型特征编码向量集合中第个关系类型特征编码向量；表示关系类型特征编码向量集合中第个关系类型特征编码向量；MATH-RELATION表示关系类型特征编码向量集合在知识表示学习的预训练语言模块中的过程；步骤S4：将步骤S3中的文本语义特征编码向量和实体特征编码向量输入预局部实体语义融合模块进行融合，分别得到增强头实体特征向量和增强实体语义向量；步骤S4中增强头实体特征向量，具体过程为：步骤S41，将头实体特征编码向量和文本语义特征编码向量H输入到预局部实体语义融合模块中进行融合；步骤S42，在预局部实体语义融合模块中，将头实体特征编码向量作为查询向量，文本语义特征编码向量H作为键向量和值向量，通过激活函数对头实体特征编码向量和文本语义特征编码向量H的点积结果进行处理，生成一个头实体中间特征编码向量S1；步骤S43，再次利用激活函数对头实体中间特征编码向量S1中的每一个元素进行归一化处理，计算出头实体中间特征编码向量S1中的每一个元素的头实体注意力权重，根据计算得到的头实体注意力权重与键向量相乘，对键向量进行加权求和，得到增强头实体特征向量HE，表示为：S1=sigmoid（（5）； （6）；HE=×Hi（7）；式中，表示指数函数；sigmoid表示激活函数；表示中间特征编码向量第i个元素；Hi表示第i个文本语义特征编码向量；步骤S4中增强实体语义向量，具体过程为：步骤S44，将尾实体特征编码向量与增强头实体特征向量HE输入到预局部实体语义融合模块中进行融合；步骤S45，将尾实体特征编码向量作为查询向量，增强头实体特征向量HE作为键向量和值向量，通过激活函数对尾实体特征编码向量和增强头实体特征向量HE的点积结果进行处理，生成一个尾实体中间特征编码向量S2；步骤S46，再次利用激活函数对尾实体中间特征编码向量S2中的每一个元素进行归一化处理，计算出尾实体中间特征编码向量S2中的每一个元素的尾实体注意力权重，根据计算得到的尾实体注意力权重与键向量相乘，对键向量进行加权求和，得到增强实体语义向量He，表示为：S2=sigmoid（8）； （9）；He=×HE（10）；式中，表示第i个尾实体中间特征编码向量；步骤S5：将步骤S3中的文本语义特征编码向量和关系类型特征编码向量集合与步骤S4中增强头实体特征向量和增强实体语义向量输入到均衡关系融合模块，得到关系-语义特征编码向量；步骤S5中得到关系-语义特征编码向量，具体过程为：步骤S51，将文本语义特征编码向量、增强头实体特征向量HE和增强实体语义向量He进行拼接，得到复合语义实体向量hee，表示为：hee=fH；HE；He（11）；式中，f表示向量拼接操作；步骤S52，将关系类型特征编码向量集合r分解成两部分；第一部分为rF1-i={rF1,rF2,...,rFi}和第二部分为rYi-n={rYi,rYi+1,...,rYn}；其中，rF1-i表示第一部分第1个到第i个关系类型特征编码向量集合；rF1表示第一部分关系类型特征编码向量集合中第1个关系类型特征编码向量；rF2表示第一部分关系类型特征编码向量集合中第2个关系类型特征编码向量；rFi表示第一部分关系类型特征编码向量集合中第i个关系类型特征编码向量；rYi-n表示第二部分第i个到第n个关系类型特征编码向量集合；rYi表示第二部分关系类型特征编码向量集合中第i个关系类型特征编码向量；rYi+1表示第二部分关系类型特征编码向量集合中第i+1个关系类型特征编码向量；rYn表示第二部分关系类型特征编码向量集合中第n个关系类型特征编码向量；步骤S53，将第一部分第1个到第i个关系类型特征编码向量集合rF1-i、复合语义实体向量hee以及第二部分第i个到第n个关系类型特征编码向量集合rYi-n进行级联操作，表示为；Hreer=concatrF1-i；hee；rYi-n={J1,J2,...,Jm}（12）；式中，Hreer表示级联操作后的复合语义特征向量；concat表示级联操作；J1表示级联而成的序列中的第1个元素；J2表示级联而成的序列中的第2个元素；Jm表示级联而成的序列中的第m个元素；步骤S54，将级联操作后的复合语义特征向量Hreer输入到双向长短期记忆网络中，其中，均衡关系融合模块包括双向长短期记忆网络，双向长短期记忆网络分为前向的输出和后向的输出，在前向长短期记忆网络和后向长短期记忆网络最后一个时间步长T的隐藏状态Hfreer和Hbreer进行拼接，表示为：Her=[Hfreer；Hbreer]（13）；式中，Her表示关系-语义特征编码向量；Hfreer表示前向的输出双向长短期记忆网络T时刻的隐藏状态；Hbreer表示后向的输出双向长短期记忆网络在T时刻的隐藏状态；步骤S6：将步骤S5中的关系-语义特征编码向量输入到分类器模块进行预测。

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江西师范大学，其通讯地址为：330000 江西省南昌市高新区紫阳大道99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”。