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;中国科学院信息工程研究所申请的专利一种基于序列到森林的非连续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：CN115114930B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202210554500.4，技术领域涉及：G06F40/30；该发明授权一种基于序列到森林的非连续实体识别方法是由黄河燕;徐永秀;胡玥;尤浩;张家瑞设计研发完成，并于2022-05-19向国家知识产权局提交的专利申请。

本一种基于序列到森林的非连续实体识别方法在说明书摘要公布了：本发明提出了一种基于序列到森林的非连续实体识别方法，为了更好地刻画实体内部组块之间的依赖性，使用森林结构建模文本中实体集；采用基于神经网络的“编码器‑解码器”生成框架，实现序列到森林的生成过程；在编码器端，首先采用基于Transformer的编码器捕获文本中每个词的全局依赖特征，然后再使用卷积神经网络进一步捕获词的局部依赖特征；在解码器端，设计了基于“便签”机制的注意力模块，可捕获每个解码时刻的输出与输入之间的语义关联性。本发明的有益效果是：可保证实体间的无序性以及实体内部的有效性，可有效捕获实体组块之间的关联性，可有效提高模型对非连续实体的识别能力，可适应于连续实体识别的场景。

本发明授权一种基于序列到森林的非连续实体识别方法在权利要求书中公布了：1.一种基于序列到森林的非连续实体识别方法，其特征在于包括步骤如下： 步骤1，针对输入文本，采用Transformer编码器获得文本中每个词的上下文编码向量，此时的词向量具有词的全局依赖特征；同时可获得句子编码向量； 步骤2，针对所述的具有词的全局依赖特征的词向量序列上，应用卷积神经网络进一步捕获词的局部依赖特征，得到融合了全局和局部依赖特征的词向量序列； 步骤3，针对所述的句子编码向量，使用基于LSTM神经网络的解码骨架捕获解码时间序列中时间步之间的依赖关系并获得每个解码时刻的隐藏向量； 步骤4，针对所述的融合了全局和局部依赖特征的词向量序列和每个解码时刻的隐藏向量，利用基于“便签”机制的注意力模块捕获每个解码时刻的输出与输入之间的语义关联并更新编码词向量序列，包括： 首先，根据每个时刻的隐藏向量st与上一时刻的编码表示进行注意力计算，以学习当前时刻的预测信息会关注输入序列中哪些信息，具体计算公式如下： 然后，再利用卷积神经网络进一步更新编码向量表示，具体计算公式如下： 其中，即编码端获得的融合了全局和局部依赖的词向量序列，[；]表示拼接操作； 步骤5，针对更新后的编码词向量序列，利用多标签分类模块按照“实体类型‑实体块1‑实体块2‑实体块3”的顺序进行森林结构解码，预测出每个解码时刻的结果； 所述利用多标签分类模块按照“实体类型‑实体块1‑实体块2‑实体块3”的顺序进行森林结构解码，包括： 当预测实体类型，即t＝1时，首先对更新后的编码向量序列进行最大化池化操作，然后预测文本中的实体类型，具体公式如下： 其中，σ·表示sigmoid函数，Max·表示最大池化操作，W和b表示可学习的参数，ptype表示实体类型的预测概率； 当预测实体块，即t＝2,3,4时，首先使用两个不同的多层感知机MLPs将更新后的编码表示序列映射到实体的开始词空间和结束词空间中，然后再使用双线性注意力计算，具体公式如下： 其中，σ·表示sigmoid函数，表示序列中第i个词在第t个解码时刻为实体的开始词的表示，表示序列中第j个词在第t个解码时刻为实体的结束词的表示，U表示可学习的参数，pi,j表示当前预测实体块为跨度wi,wj的概率，wi,wj表示输入文本中从第i个词到第j个词的连续片段； 步骤6，针对所述的每个解码时刻的预测结果，即实体类型、实体块1、实体块2、实体块3，进行联合推断，解析出文本中的实体。

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;中国科学院信息工程研究所，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”。

以上内容由龙图腾AI智能生成。