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！

龙图腾网获悉云南大学申请的专利一种基于空时网络聚类约简集成的极端多标签学习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：CN114676252B 。

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：202210260959.3，技术领域涉及：G06F16/353；该发明授权一种基于空时网络聚类约简集成的极端多标签学习方法是由夏跃龙;杨云设计研发完成，并于2022-03-16向国家知识产权局提交的专利申请。

本一种基于空时网络聚类约简集成的极端多标签学习方法在说明书摘要公布了：本发明公开了多标签文本挖掘技术领域的一种基于空时网络聚类约简集成的极端多标签学习方法，包括以下步骤：空时网络注意力集成表征；自适应标签关系增强和聚类约简学习；加权的约简标签集不平衡学习；本发明集成了多标签文本中词、短语、标签三者之间交互注意力，探索了词、短语、标签之间的依赖关系，有效提升了极端多标签文本表征能力；提出自适应标签关系增强和聚类约简学习机制，通过自适应标签关系增强，能有效挖掘标签之间的依赖关系，提升模型的泛化性，通过聚类约简学习，能有效将不同量级标签适应现有模型进行训练；提出加权的约简标签集不平衡学习机制，解决了标签稀疏和不平衡带来的模型泛化性、可扩展性差等问题。

本发明授权一种基于空时网络聚类约简集成的极端多标签学习方法在权利要求书中公布了：1.一种基于空时网络聚类约简集成的极端多标签学习方法，其特征在于，包括以下步骤： S1、空时网络注意力集成表征；具体步骤为： S11、原始极端多标签数据获取；针对实际不同应用场景获取的极端多标签数据进行学习； S12、短语级表征CNN和词级表征RNN；给定文档表示对短语级表征，使用CNN卷积核和偏差项bi学习ω-grams短语级的表征，让向量ci表示词ei-ω+1,...,ei的联合，则特征pi表示为：pi＝δConv1DWi，ci+bi；对词级表征，使用RNN学习双向的词级信息，表示为： S13、空间语义信息表征；通过混合的注意力机制，包括卷积多头自注意力模块和卷积交互注意力模块，最终得到空间语义信息表征，该表征考虑短语与短语关系，以及短语与标签之间的关系； S14、时序语义信息表征；使用混合的注意力机制捕捉时序的语义信息表征，包括循环的自注意力模块和循环的交互注意力模块； S15、空时网络注意力集成表征；基于S13获得的和基于S14获得的提出一种自适应加权集成策略，首先使用l2标准化和然后通过一个MLP层和全连接层转换其到权重和表示为：最后通过标准化权重获得最后的空时网络注意力集成表征，描述为： M＝α×C+β×R，获得空时网络注意力集成表征M； S2、自适应标签关系增强和聚类约简学习；具体步骤为： S21、标签树聚类；通过将包含有标签的稀疏文本特征和该标签文本特征进行内积求和，标准化得到每个标签的特征表示，然后使用平衡k-means，k＝2进行递归的聚类，迭代直到满足如下条件：给定每个簇的最大标签量，要求将标签划分到S个簇中，每个标签簇中包含的标签量满足小于最大标签量或者大于最大标签量的一半；当得到S个簇时候，基于S1模块得到的表征M，则通过一个全连接层映射M到S维的向量P； S22、标签关系增强；通过传达标签关系在原生的预测P基础上增加一个bottleneck层来自适应实现标签增强，形式化描述为： S23、聚类约简学习；基于S21标签树聚类得到的S个簇索引表示为yS∈{0,1}S，和标签关系增强得到的表征提出一种自适应聚类约简学习机制，描述为： S3、加权的约简标签集不平衡学习；具体步骤为： S31、约简标签集嵌入；基于S21得到的k个簇，得到标签的约简集U，基于S1得到的表征M，得到一个约简的标签集嵌入向量Q，描述为：Q＝σWQM+bQ； S32、加权的不平衡学习；基于S21得到的k个簇，得到标签的约简集U，同时找到这些标签真实所对应的标签yU∈{0,1}U；采用加权的不平衡损失进行学习，描述为： 其中是约简标签集U中样本对应的真实标签，Qk是使用S31得到的嵌入，γ+和γ-表达了不同正负样本权重的贡献，通常情况下，γ-＞γ+，通常设置γ+为0，γ-为1； 整体模型训练描述为：

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云南大学，其通讯地址为：650091 云南省昆明市五华区翠湖北路2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”。