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！

龙图腾网获悉浙江大学申请的专利一种基于多模态对比学习的文本网络图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：CN115526236B 。

龙图腾网通过国家知识产权局官网在2025-07-11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：202211065236.4，技术领域涉及：G06F18/241；该发明授权一种基于多模态对比学习的文本网络图分类方法是由蒋卓人;言鹏韦;林田谦谨;黄萃设计研发完成，并于2022-09-01向国家知识产权局提交的专利申请。

本一种基于多模态对比学习的文本网络图分类方法在说明书摘要公布了：本发明公开了一种基于多模态对比学习的文本网络图分类方法，其步骤如下：1对文本网络图数据的拓扑结构与节点信息中文本模态的数据进行抽取、归类和预处理；2根据数据的不同模态选择相应编码器，采用对比学习分别对编码器进行训练，并基于训练完成的编码器对数据进行特征编码得到特征向量；3计算结构特征向量和文本特征向量的笛卡尔积从而获取不同模态间的共同特征；4采用注意力机制对不同模态的原始特征及共同特征进行加权汇总，并作为图级别特征输入分类器得出分类标签。本方法提高了不同模态特征的表现，有利于增强图级别分类任务的表现，不仅分类准确率高且具备可解释性。本发明对于涉及多模态数据的文本网络图数据分类任务具有重要的应用价值。

本发明授权一种基于多模态对比学习的文本网络图分类方法在权利要求书中公布了：1.一种基于多模态对比学习的文本网络图分类方法，其特征在于，步骤如下： S1:针对待分类的多模态网络图数据集中的每一个文本网络图数据，分别对图中的拓扑结构以及节点中的文本这两种模态数据进行抽取，抽取得到的数据按模态进行归类后以字典格式保存；再对每一种模态数据进行预处理使其满足对应模态的编码器输入要求； S2:针对拓扑结构模态和文本模态分别选择匹配的编码器并采用对比学习框架分别进行训练；基于训练完成的编码器，对S1中预处理后的每一种模态数据进行特征编码，得到每一个文本网络图数据中每一种模态数据的特征向量，从而得到文本网络图数据在不同模态下的特征表示； S3:针对每一个文本网络图数据，将对应的两种模态数据的特征向量对齐至统一维度后，通过计算两者的笛卡尔积得到特征交叉矩阵，对特征交叉矩阵做横向的最大池化得到第一特征向量，对特征交叉矩阵做纵向的最大池化得到第二特征向量，将第一特征向量和第二特征向量拼接后重新降维至所述统一维度，从而得到跨模态共同特征向量； S4:针对每一个文本网络图数据，将两种模态数据的特征向量以及跨模态共同特征向量进行标准化，然后采用注意力机制对三个特征向量计算注意力权重，并根据注意力权重对三个特征向量进行加权融合，得到最终的图级别特征后将其输入分类器，得出多模态网络图数据集中每一个文本网络图数据的分类标签。

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”。