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！

龙图腾网获悉福州大学申请的专利基于双视图对比学习与图剪枝的多跳阅读理解方法及系统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：CN116403231B 。

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：202310398450.X，技术领域涉及：G06V30/412；该发明授权基于双视图对比学习与图剪枝的多跳阅读理解方法及系统是由陈羽中;陈谨雯设计研发完成，并于2023-04-14向国家知识产权局提交的专利申请。

本基于双视图对比学习与图剪枝的多跳阅读理解方法及系统在说明书摘要公布了：本发明涉及一种基于双视图对比学习与图剪枝的多跳阅读理解方法及系统，该方法包括以下步骤：步骤A：采集问题、文章上下文、答案和支持事实数据，构建多跳阅读理解训练集；步骤B：使用训练集训练用于多跳阅读理解的基于双视图对比学习与图剪枝的深度学习网络模型D；步骤C：将问题、文章数据依次输入深度学习网络模型D中，输出当前的问题的相应答案。该方法及系统有利于提高多跳阅读理解答案预测的准确性。

本发明授权基于双视图对比学习与图剪枝的多跳阅读理解方法及系统在权利要求书中公布了：1.一种基于双视图对比学习与图剪枝的多跳阅读理解方法，其特征在于，包括以下步骤： 步骤A：采集问题、文章上下文、答案和支持事实数据，构建多跳阅读理解训练集； 步骤B：使用训练集训练用于多跳阅读理解的基于双视图对比学习与图剪枝的深度学习网络模型D； 步骤C：将问题、文章数据输入深度学习网络模型D中，输出当前问题的相应答案； 所述步骤B具体包括以下步骤： 步骤B1：使用预训练模型Roberta对训练集中各个样本的各个段落包含黄金支持事实的概率进行计算，同时将各个样本的标题和段落的关系对与问题进行文本匹配，得到N个候选段落pcandi＝{p1,p2,...,pN}； 步骤B2：将步骤B1得到的候选段落pcandi和问题、段落中句子、段落中实体词、超链接一同作为节点构造层次图G，并通过G中各节点边关系构造层次图的邻接矩阵Aadj； 步骤B3：将步骤B2得到的层次图G使用预训练模型Roberta获得所有图节点的初始表示，得到段落、句子、实体三种类型的节点表示以及问题节点表示fq，以此获得层次图的总体节点表示 步骤B4：将步骤B2、B3得到的层次图的邻接矩阵Aadj及节点表示F用随机删除边关系和随机掩蔽节点特征的方法对层次图分别进行两次损坏，两个损坏后的层次图即为双视图，从而得到两个视图的邻接矩阵A1,A2和节点表示F1,F2；然后将两个视图分别输入到图注意力网络中，得到更新后的节点表示 步骤B5：使用门控注意力机制计算初始上下文嵌入E和更新后图节点表示得到相关性系数和上下文表征EG；同时，被损坏的两个视图的邻接矩阵A1,A2和特征矩阵F1,F2相互作为正负样本，以余弦相似度计算每一对样本相似性，得到两个图的对比学习损失最大化双视图正例对总体目标损失Lgra； 步骤B6：在步骤5中得到的上下文表征EG中包含候选答案节点其中ne表示层次图中限定的实体词节点的个数，d表示表征向量维度；将其与步骤B3得到的问题节点表示fq采用关系过滤方法生成注意力权重稀疏矩阵将其用来筛选当前候选答案节点； 步骤B7：将步骤B4和B6得到的所有的不同类型节点分别输入多层感知机进行子任务预测，得到段落、支持事实、实体词、答案类型预测结果，使用交叉熵函数计算各类预测损失；随后根据答案类型预测结果返回相应类型的答案；然后根据目标损失函数，通过反向传播方法计算深度学习网络模型中各参数的梯度，并利用随机梯度下降方法更新各参数； 步骤B8：当深度学习网络模型产生的损失值小于设定的阈值或达到最大的迭代次数时，终止深度学习网络模型D的训练； 所述步骤B5具体包括以下步骤： 步骤B51：设E＝{Q,P}为上下文编码层经Roberta编码后的初始嵌入表示，以注意力机制的计算方式计算出上下文嵌入和更新图节点的相关性系数再结合门控机制获得门控上下文表征 其中，是可学习参数矩阵； 步骤B52：对于图A1上的任一节点图A2中对应的节点为正样本，图A2中的其余节点以及图A1中的其余节点为负样本，A2对于A1也是同样计算；以余弦相似度计算两个图样本损失正例对的训练目标为epv，负例对的训练目标为另一图中负例对的训练目标为 其中，分别为A1中除之外的其他节点的集合以及A2中除之外的其他节点的集合，τ是温度系数，cos为余弦相似度计算； 步骤B53：以最大化双图正例对总体目标损失Lgra为此模块任务损失： 所述步骤B6具体包括以下步骤： 步骤B61：将上下文编码后的问题节点表示fq与更新后的候选答案节点采用注意力机制生成注意力矩阵 步骤B62：将步骤B61生成的注意力矩阵按维度降序排序生成矩阵再将该矩阵中联系最为紧密的Nrelation个关系保留，生成较为精准的注意力权重稀疏矩阵 其中，sort为降序排序函数，fPruning为剪枝函数； 步骤B63：将步骤B62生成的注意力权重稀疏矩阵与候选答案节点相乘，得到筛选后的候选答案节点

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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”。