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！

龙图腾网获悉重庆大学申请的专利一种基于提示学习的道路和综合管廊标准知识图谱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：CN118733764B 。

龙图腾网通过国家知识产权局官网在2025-06-27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：202410698500.0，技术领域涉及：G06F16/353；该发明授权一种基于提示学习的道路和综合管廊标准知识图谱细粒度实体分类方法是由万里;韩世晨;戴金成设计研发完成，并于2024-05-31向国家知识产权局提交的专利申请。

本一种基于提示学习的道路和综合管廊标准知识图谱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提示学习的道路和综合管廊标准知识图谱细粒度实体分类方法，包括以下步骤：S1：采集数据，进行知识建模与数据标注；S2：根据训练数据训练模型，优化参数；S3：按标签本体结构中的路径对样本标签解码。能够在低资源的专业领域场景下，充分利用标签本体的层次结构和提示学习解决少样本问题的能力，使得模型的预测结果更加准确。

本发明授权一种基于提示学习的道路和综合管廊标准知识图谱细粒度实体分类方法在权利要求书中公布了：1.一种基于提示学习的道路和综合管廊标准知识图谱细粒度实体分类方法，其特征在于：包括以下步骤： S1：采集数据，进行知识建模与数据标注； S2：根据训练数据训练模型，优化参数； S2-1：初始化或更新标签的表征； S2-2：构造混合提示模板，动态聚合层次标签信息并注入模板； 步骤S2-2还包括： S2-2-1：从采集的数据中随机选取一条样本x，m，其中x和m分别表示样本语句和给定的实体指称； S2-2-2：将选取的样本x，m通过提前定义的混合提示模板Tmixx，m构造成如下所示的样本： Tmixx，m＝x在这句话中，m属于[SOFT1][MASK]...[SOFTl][MASK] 其中，混合提示模板包含自然语言和l个软提示词[SOFT]，l表式标签本体结构的层次；每一个软提示词之后紧跟一个[MASK]特殊标记用于预测该层次的标签； S2-2-3：将步骤S2-2-2构造的样本通过BERT嵌入层将符号转换为如下所示的向量表征： eTmix＝[ex，...，em，...，e[SOFT1]，e[MASK]，...，e[SOFTl]，e[MASK]] 其中，软提示词的表征e[SOFTi]由标签和样本的表征动态生成，代表了每一层的标签信息，插入到嵌入后的序列中； S2-2-3-1：生成样本实例的表征；分别将输入样本的左右上下文通过自注意力机制和平均池化获取上下文的表征； S2-2-3-2：对左侧上下文生成样本实例的表征： 其中，eleft表示左侧上下文表征，AvePool·表示平均池化操作，Softmax·表示Softmax激活函数，Wsq、Wsk、Wsv均为可学习的参数；Xleft表示左侧上下文； S2-2-3-3：通过与步骤S2-2-3-2同样的方式对右侧上下文生成样本实例的表征eright； S2-2-3-4：通过如下公式获取指称表征emen： 其中，m为样本x，m中指称m的字符； S2-2-3-5：将上下文表征和指称表征通过前馈神经网络进行融合，公式如下： eins＝Concateleft，emem，erightWa+ba 其中，生成样本实例的表征dim表示嵌入的维度，Wa和ba为可学习的权重和偏执，Concat·表示向量的拼接； S2-2-4：获取软提示词表征； 首先通过图注意力网络对标签表征D进行编码，能够更好地学习和表征标签之间的关系，记编码结果为 Denc＝GATD 其中，GAT·表示图注意力网络； S2-2-5：将标签按照层级关系进行分组，则再通过交叉注意力获取各个标签层级的软提示词表征： 其中，Wcq、Wck和Wcv均为可学习的权重参数； S2-3：将生成的嵌入通过BERT编码器进行编码； hTmix＝[hx，...，hm，...，h[SOFT1]，h1[MASK]，...，h[SOFTl]，hl[MASK]] 其中，h·表示对应的符号经BERT编码后的表征； S2-4：获取模型[MASK]位置的输出分别在各层级的标签范围内计算属于各个标签的概率 通过如下公式进行计算： 其中，表示第i层的输出被预测为该层第j个标签的概率，Sigmoid·为Sigmoid激活函数； S2-5：计算模型的损失； S3：按标签本体结构中的路径对样本标签解码分类。

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重庆大学，其通讯地址为：400030 重庆市沙坪坝区沙正街174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”。