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！

龙图腾网获悉北京理工大学申请的专利一种基于语义分解的隐式篇章关系分析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：CN114707512B 。

龙图腾网通过国家知识产权局官网在2025-09-05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：202210279479.1，技术领域涉及：G06F40/30；该发明授权一种基于语义分解的隐式篇章关系分析方法是由鉴萍;程伟;黄河燕设计研发完成，并于2022-03-21向国家知识产权局提交的专利申请。

本一种基于语义分解的隐式篇章关系分析方法在说明书摘要公布了：本发明涉及一种基于语义分解的隐式篇章关系分析方法，属于自然语言处理应用技术领域。本方法通过设计分流的网络结构和完整的流程，来分别处理论元中不同的语义信息，包括利用语义迁移网络和语义分解网络实现论元语义的信息分解。将对隐式篇章关系分析有用的信息流入任务相关型网络，对隐式篇章关系分析没有实际用处的信息流入任务无关型网络。以此提升模型对语义信息的筛选和理解的能力，达到提升隐式篇章关系分析的技术效果。本方法能够有效实现语义的分解、信息分流，能够使用户快速、准确地获得隐式篇章关系的分析结果。

本发明授权一种基于语义分解的隐式篇章关系分析方法在权利要求书中公布了：1.一种基于语义分解的隐式篇章关系分析方法，其特征在于，包括以下步骤： 步骤1：利用编码器，对各个样本的两个论元arg1,arg2进行语义编码，获取对应的语义表示； 其中，语义表示包括状态向量Harg1,Harg2和句子向量Sarg1,Sarg2；其中，Harg1为论元1中的状态向量，m是论元1的token数量，表示arg1中每个token的向量表示，dh为状态向量的空间维度，R表示维度为m*dh的矩阵；Harg2为论元2中的状态向量， n是论元2的token数量，表示arg2中每个token的向量表示；Sarg1为论元1的句子向量，Sarg2为论元2的句子向量； 步骤2：借助交互注意力机制进行语义交互操作，计算出两个论元中的各个token的权重分布Att1,Att2，Att1表示论元1的权重分布，Att2表示论元2的权重分布，进而计算得到每个论元的最终加权表示S′arg1,S′arg2，S′arg1表示论元1的加权，S′arg2表示论元2的加权； 步骤3：将论元语义分解为对隐式篇章关系分析任务有用的任务相关语义和对该任务没有价值的任务无关语义；包括以下步骤： 步骤3.1：利用语义迁移网络，对每个论元的最终加权表示S′arg1,S′arg2进行语义迁移，获取相对易于分解的高阶语义表示Qarg1,Qarg2； 首先，将各个论元的最终加权表示S′arg1，S′arg2做维度对半压缩，得到空间向量Parg1,Parg2；然后，将其还原至原有维度，得到高阶语义表示Qarg1,Qarg2；其中，Parg1表示论元1的空间向量，Parg2表示论元2的空间向量；Qarg1表示论元1的高阶语义，Qarg2表示论元2的高阶语义； 步骤3.2：使用语义分解网络，对各论元的高阶语义表示Qarg1,Qarg2进行语义分解；每个论元都会得到两个不同语义表述，并构成两组语义对；其中，论元1高阶语义分解得到论元2的高阶语义分解得到并构成两组语义对； 步骤4：将两个论元分解出的不同语义分别组成语义对，分别送入任务相关型网络和任务无关型网络；通过数据构建和模型训练，使论元语义模型能够有效进行语义分解，让模型关注到对任务更有价值的语义信息； 其中，双网络分类器包括任务相关型网络和任务无关型网络；训练双网络分类器时，除利用存在篇章关联的论元对作为正样本之外，还要构建没有篇章关联的论元对作为负样本进行训练；训练时，使用交叉熵损失函数作为目标函数，并更新论元语义模型中的参数； 步骤5：使用论元语义模型对隐式篇章关系进行分析。

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北京理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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”。