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！

龙图腾网获悉重庆理工大学申请的专利基于双通道语义增强和卷积神经网络的文本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：CN119513318B 。

龙图腾网通过国家知识产权局官网在2025-07-01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：202411663418.0，技术领域涉及：G06F16/353；该发明授权基于双通道语义增强和卷积神经网络的文本分类方法是由刘小洋;张康旗设计研发完成，并于2024-11-20向国家知识产权局提交的专利申请。

本基于双通道语义增强和卷积神经网络的文本分类方法在说明书摘要公布了：本发明提出了一种基于双通道语义增强和卷积神经网络的文本分类方法，包括以下步骤：S1，先对文本进行预处理和词向量嵌入，得到文本矩阵X；S2，将生成的文本矩阵X分别采用Conv1D、AtrousConv1D进行双通道卷积特征提取，得到原始语义信息C和全局文本信息A；S3，对生成的原始语义信息C和全局文本信息A采用加权平均注意力生成注意力得分Cscore和Ascore，同时对文本矩阵X进行语义增强得到yk，最后将高维的卷积特征图拼接，然后将拼接后的特征图通过Linear全连接层和Sofrmax层映射为标签的概率分布。本发明能够适用于中文和英文文本分类任务，且在长文本和短文本种都具有良好的分类性能和泛化能力。

本发明授权基于双通道语义增强和卷积神经网络的文本分类方法在权利要求书中公布了：1.一种基于双通道语义增强和卷积神经网络的文本分类方法，其特征在于，包括以下步骤： S1，先对文本进行预处理，将文本划分为文本单元；然后进行词向量嵌入，将词或词组转换为向量表示；由此，得到文本矩阵X； S2，将生成的文本矩阵X分别采用Conv1D和AtrousConv1D进行双通道卷积特征提取，得到原始语义信息C和全局文本信息A； 采用Conv1D进行特征提取，得到原始语义信息C包括以下步骤： 对于文本S的第i个词表示向量为xi，文本嵌入向量X在卷积核大小为z的一维卷积核w下，通过式2对X进行滑动卷积生成特征hi： [xi:xi+z-1]＝[xi,xi+1,...,xi+z-1]2 hi＝σw1·[xi:xi+z-1]+b13 其中[xi:xi+z-1]表示卷积核的滑窗范围； xi表示某个语句第i个单词的词向量； xi+z-1表示某个语句第i+z-1个单词的词向量； w1表示特征权重； b1表示偏置； hi表示卷积核第i次经过滑动卷积后的卷积特征信息； σ为非线性激活函数，具体为LeakyReLU； 将卷积后的特征hi映射表示为新的卷积特征H： H＝[h1,h2,...,hl-z+1]5 由此，得到提取后的卷积特征M： M＝[H1,H2,...,Hm]6 其中H1表示第1个卷积信道生成的卷积特征； Hm表示第m个卷积信道生成的卷积特征； m为卷积信道的总个数； 对卷积特征图M采用平均池化操作来获取一维卷积通道的原始语义信息，卷积特征图M的池化输出C表示为： C＝avgpoolM7 其中，C表示原始语义信息； avgpool表示平均池化； 采用AtrousConv1D进行特征提取，得到全局文本信息A： A＝maxpool{LeakyReLUZ}9 其中，LeakyReLU表示非线性激活函数； maxpool表示最大池化操作； Z＝AtrConv1DX 其中，Z＝[z1,z2,...,zK]，在长度为K的滤波器wk扩张卷积后生成全域输出zi： 其中x[i+p·k]表示AtrousConv1D扩张后的词向量； p表示对输入向量x[i+p·k]进行扩张卷积的步幅，p∈P，P＝{p1,p2,p3}，p1、p2、p3表示三个语义感受野扩张率； S3，对生成的原始语义信息C和全局文本信息A采用加权平均注意力生成注意力得分Cscore和Ascore，同时对文本矩阵X进行语义增强得到yk，最后将高维的卷积特征图拼接，然后将拼接后的特征图通过Linear全连接层和Sofrmax层映射为标签的概率分布。

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理工大学，其通讯地址为：400054 重庆市巴南区红光大道69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”。