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！

龙图腾网获悉电子科技大学申请的专利一种基于混合剪枝与注意力图卷积网络的实体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：CN116881434B 。

龙图腾网通过国家知识产权局官网在2025-08-08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：202310852769.5，技术领域涉及：G06F16/335；该发明授权一种基于混合剪枝与注意力图卷积网络的实体关系抽取方法是由凌世谋;潘力立;李宏亮设计研发完成，并于2023-07-12向国家知识产权局提交的专利申请。

本一种基于混合剪枝与注意力图卷积网络的实体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混合剪枝与注意力图卷积网络的实体关系抽取方法，为了学习到输入句子对应依存句法树中表现实体关系的丰富语义信息，设计了一种结合“硬剪枝”与“软剪枝”的依存句法树混合剪枝策略来学习实体依存关系对应的邻接矩阵。接着，基于稠密连接网络，同时结合RGCN网络的思想，对该网络中的每个隐藏层进行建模，进而指导生成输入句子与其中关键文本实体的神经隐式表示。最后，将前馈神经网络应用于句子和实体拼接后形成的嵌入表示，执行文本实体关系分类任务。在PubMed数据集的实验结果表明，所提出的HP‑GCN模型能够提升对文本中的实体关系抽取的质量，实现了先进的性能。

本发明授权一种基于混合剪枝与注意力图卷积网络的实体关系抽取方法在权利要求书中公布了：1.一种基于混合剪枝与注意力图卷积网络的实体关系抽取方法，其特征在于，包括以下步骤： S1、根据输入文本句子x，设计基于依存句法树的“硬剪枝”策略，对于基于依存句法树的“硬剪枝”策略，将遵循以关键实体路径为中心的启发式剪枝思想，根据最短依存路径、最近公共祖先和剪枝树三种结构，获得目标实体对之间的公共子树路径，保留其中的关键节点及其依存关系边，从而构造相应的硬依存邻接矩阵Ahard； S2、根据输入文本句子x，探讨基于依存句法树的“软剪枝”策略，通过注意力驱动的图卷积网络来自动学习x所对应原始依存句法树中所有依存关系对应的权重表示，并将上述树结构转换为软依存邻接矩阵Asoft； 在通过注意力驱动的图卷积网络构建软依存邻接矩阵Asoft时，将x所对应原始依存句法树转换为具有完全连接边的加权图；每个Asoft都对应于一个全连接图，其中的每个元素表示节点i到节点j的依存关系边权重；表示一个全连接图G1；Asoft可通过使用自注意机制来进行构建，其优势在于：可以捕捉到单个序列中任意两个位置之间的相互作用；当然，同样通过使用多头注意力机制来计算Asoft，这样可使模型能够从多个视角给予文本句子x多层注意力，共同关注来自不同单词嵌入表示子空间的交互信息；具体计算包含一个查询和一组键值对，结果值可通过加权而得到，其中权重可由具有相应键的查询函数来完成，计算公式如下： 其中，Q和K都表示HP-GCN模型中第l-1层的集合表示；和是投影参数矩阵，是第t个注意力引导的邻接矩阵，对应第t个头；在这里，最多可以构建N个矩阵，其中N为超参数； S3、通过加权的方式将Ahard和Asoft进行结合，学习x对应的依存邻接矩阵A； S4、根据稠密连接网络，分别定义该网络中每层节点的初始表示进一步结合RGCN网络的思想，对该网络中的每个隐藏层进行建模； S5、将稠密连接网络中N个不同稠密连接层的表示进行线性组合后输出，进而指导生成输入句子的神经隐式表示hsent和其中关键实体的神经隐式表示 S6、最后，将前馈神经网络应用于句子和实体拼接后形成的嵌入表示hfcon，执行实体关系分类任务，并采用随机梯度下降方法对HP-GCN模型进行求解。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区（西区）西源大道2006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”。