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！

龙图腾网获悉西安交通大学申请的专利一种面向涉税法律文本的命名实体识别依赖增强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：CN116050413B 。

龙图腾网通过国家知识产权局官网在2026-03-24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：202211627706.1，技术领域涉及：G06F40/295；该发明授权一种面向涉税法律文本的命名实体识别依赖增强方法是由郑庆华;武乐飞;董博;王凯;师斌;赵锐设计研发完成，并于2022-12-16向国家知识产权局提交的专利申请。

本一种面向涉税法律文本的命名实体识别依赖增强方法在说明书摘要公布了：本发明公开了一种面向涉税法律文本的命名实体识别依赖增强方法，包括：将税务命名实体识别视为跨度分类任务，通过滑动窗口从输入文本中枚举大量跨度，并通过特征拼接方法生成每个跨度的深度表示；引入一个对比学习损失，从高度重叠的跨度中挖掘对比关系；采用尺度变换机制实现跨度交互，将每一个候选跨度的几何信息嵌入原生跨度表示中，以编码跨度之间的交互依赖关系。本发明将税务命名实体识别转换为跨度分类任务，并充分挖掘了实体间交互依赖关系，实现强推断关系，并引入对比学习提高了高重叠实体间不同类型的区分度，可以更加准确、合理地针对税务法律文本中的命名实体进行识别，为税收优惠等下游任务奠定基础。

本发明授权一种面向涉税法律文本的命名实体识别依赖增强方法在权利要求书中公布了：1.一种面向涉税法律文本的命名实体识别依赖增强方法，其特征在于，包括： 首先，执行跨度枚举生成与实体检测，将税务命名实体识别视为跨度分类任务，通过滑动窗口在输入文本上采样，枚举产生大量跨度，并通过特征拼接方法生成每个跨度的深度表示；其次，进行高重叠跨度对比关系挖掘，引入一个对比学习损失，从高度重叠的跨度中挖掘对比关系，增强模型对高度重叠的不同类型实体的区分度；再次，进行跨度间交互依赖关系挖掘，采用了一种尺度变换机制实现跨度交互，从候选跨度的几何信息挖掘交互依赖特征并嵌入原生跨度表示中，增强原生的跨度表示；最后，基于实体检测损失、实体分类损失和对比学习损失，构造一个联合损失函数，对模型进行端到端联合训练；该方法具体包括以下实现步骤： 1跨度枚举生成与实体检测 该方法面对的是涉税法律文本，首先需要进行文本表示，将自然语言描述的涉税法律文本转换为低维稠密实值向量；然后在文本上执行滑动窗口枚举，获取每一个跨度，作为实体候选，并将每一个实体候选转化为向量表示；获取实体候选之后，进行实体检测，判断一个候选跨度是否作为一个实体提及，实体提及即可作为实体的文本片段，但尚不知道其类型，实体类型的识别在后续步骤中进行； 2高重叠跨度对比关系挖掘 对于高度重叠的跨度，引入跨度级监督对比学习目标；在实体检测标签的指导下，利用对比学习损失寻找同类样本之间的共性，拉进这些同类样本的语义距离，并使得这些样本与不同类的样本之间的语义距离越来越远，从而提高对高度重叠但不同类实体的识别能力；高重叠跨度对比关系挖掘，具体包括以下步骤： Step1.构造正负样本对 在跨度级表示上引入了有监督对比学习损失SCL，以增强模型识别高度重叠跨度的能力；具体而言，SCL损失在跨度检测标签的指导下，寻找阳性样本之间的共性，并将其与阴性样本之间的距离拉远；其中阳性样本指的是被检测为实体提及的跨度；为实现此目的，构造正负样本对； Step2.N-paris有监督对比学习； 3跨度间交互依赖关系挖掘 挖掘跨度间交互依赖关系，并用这种交互依赖关系增强原生跨度表示；具体来说，将跨度的离散几何特征进行缩放变换，将其转换为相对位移和宽度比，利用尺度变换机制将这种变换嵌入到高维空间，通过自注意力机制与原生跨度表示融合，达到增强原生跨度表示的目的； 4端到端联合训练 基于前述步骤获取的前向传播结果，通过联合损失，训练税务命名实体识别多分类器，实现税务命名实体的识别。

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西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28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。