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！

龙图腾网获悉中南大学申请的专利基于稀疏网络的生物医疗命名实体识别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：CN115293164B 。

龙图腾网通过国家知识产权局官网在2025-08-19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：202210961613.6，技术领域涉及：G06F40/295；该发明授权基于稀疏网络的生物医疗命名实体识别方法是由段俊文;郭怀;王建新设计研发完成，并于2022-08-11向国家知识产权局提交的专利申请。

本基于稀疏网络的生物医疗命名实体识别方法在说明书摘要公布了：本发明公开了一种基于稀疏网络的生物医疗命名实体识别方法，包括获取文本数据；构建初始模型；采用所有任务的数据对初始模型进行训练，构建一个共享的稀疏子网络，为每个任务构建一个私有的稀疏子网络；进行对抗训练得到识别模型；采用识别模型对当前的文本进行识别，完成生物医疗命名实体识别。本发明提供的这种基于稀疏网络的生物医疗命名实体识别方法，通过创新的模型构建和训练过程，不仅实现了生物医疗命名实体的识别，而且本发明方法能够提高模型参数的利用效率，可靠性高、精确性好且效果较好。

本发明授权基于稀疏网络的生物医疗命名实体识别方法在权利要求书中公布了：1.一种基于稀疏网络的生物医疗命名实体识别方法，包括如下步骤： S1.获取文本数据； S2.构建初始模型； S3.采用所有任务的数据对步骤S2构建的初始模型进行训练，从而构建一个共享的稀疏子网络，同时为每个任务构建一个私有的稀疏子网络；具体包括如下步骤： A.对整个神经网络进行随机初始化，包括初始化裁剪率pr、初始化裁剪间隔itv和初始化共享稀疏子网络的目标稀疏度sparsity； B.初始化共享稀疏子网络的掩码矩阵Ms：将共享稀疏子网络的掩码矩阵Ms中的所有元素初始化为1，表示共享稀疏子网络中的参数，θ为初始模型中编码器部分的参数，为矩阵的Hadamard积；step为训练的步数，且初始化为step＝0； C.随机从某个任务的数据集中选择一批训练样本Bt； D.使用编码器对输入文本进行编码； E.将经编码器编码后得到的序列Rk以及Yk输入到任务t的条件随机场中，计算条件概率pYk|Rk；其中，Yk为第k个训练样本的标签序列，Rk为单词的上下文表示； F.计算损失loss为为一个批次的训练样本Bt中的标签序列，m为训练样本批次Bt中的训练样本数量； G.进行反向传播，得到各个参数的梯度； H.采用梯度下降算法更新所有参数； I.训练的步数step增加1； 若训练的步数step的值是剪裁间隔itv的整数倍，则将中的参数按绝对值进行排序，并裁剪掉绝对值较小的pr％的参数；所述的裁剪掉绝对值较小的pr％的参数，具体为将Ms中对应的元素设置为0； J.重复步骤C～步骤I，直至共享稀疏子网络的稀疏度小于目标稀疏度sparsity；其中，||Ms||0为Ms的L0范数，Ms为共享稀疏子网络的掩码矩阵，|θ|为θ中的参数个数； K.设置Mfree为除去共享稀疏子网络之后剩余的参数的掩码矩阵，为对共享稀疏子网络的掩码矩阵Ms进行反转，将掩码矩阵中原本为0的元素反转为1，原本为1的元素反转为0； L.随机将未使用的参数中的个参数分配给任务t，从而为任务t构建一个私有的稀疏子网络，对应的掩码矩阵为Mt；|Dt|为任务t的训练样本数量，|D|为所有任务总共的训练样本数量； M.更新Mfree的值为Mfree'为更新前的Mfree的值； N.重复步骤L～步骤M，直至遍历了所有的任务t； O.输出共享稀疏子网络的掩码矩阵Ms，以及各个任务的私有稀疏子网络的掩码矩阵Mt； S4.进行对抗训练，得到识别模型； S5.采用步骤S4得到的识别模型，对当前的文本进行识别，从而完成生物医疗命名实体识别。

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中南大学，其通讯地址为：410083 湖南省长沙市岳麓区麓山南路932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”。