专利交易市场

本发明公开了一种基于文本生成图像的方法，包括如下步骤：准备生成器模型和判识器模型的训练数据集；训练生成器模型和判识器模型，并计算生成器模型和判识器模型的损失函数；将生成的图像输入到卷积神经网络CNN中，获得整张图像与其匹配的文本描述的损失函数；将整个训练网络不断迭代N次，直到生成器模型的损失函数和和判识器模型的损失函数达到平衡状态。本发明所公开的方法适用于对象之间关联性比较强的复杂文本，可以提高生成图像的分辨率，图像精度高，可以拿来直接使用。

本发明公开了多标记数据特征选择处理方法及装置，涉及数据特征选择处理技术领域，解决了现有技术中无法对特征向量进行深度筛选的技术问题，层递进对特征向量进行细分，并对细分后的特征向量进行标签设定，准确采集到数据处理主体的特征向量，提高了数据特征选择的准确性，同时也将各个特征向量准确进行标签设定，提高了数据处理的有效性，也对企业发展起到的加速效果；根据两个主特征向量的相关性差异，判定主特征向量对数据处理主体的状态特征的影响，对企业的管理起到促进作用，便于企业进行实时状态特征分析，也有助于企业改善的工作效率；在若干个次特征向量中选取密切特征向量，根据各个次特征向量的依赖度进行区分。

本发明实施例公开了一种标注数据获取方法、装置及设备，方法包括：获取正则表达式格式的文本数据；基于正则表达式，将文本数据组合成语料数据，并得到语料数据的以下任意一种或多种标签：领域、意图、槽位；基于标签及语料数据，生成包括标注结果的数据集合；本方案中，文本数据符合正则表达式，对于设备来说，其可以基于该正则表达式将文本数据组合成语料数据，并得到相应的标签，这样，相比于人工标注，节省了较多人力。

本发明属于自然语言处理技术领域，涉及领域关系抽取，具体提供一种面向领域关系抽取的标注语料生成方法，用以克服领域关系抽取所面临的语料缺乏和人工代价昂贵的问题。本发明利用回译法生成同义句，将其与原句一起作为序列生成模型的训练语料，克服了领域语料不足的问题；同时，通过依存关系分析和语态判断，将训练语料中实体替换为特定的主动和被动两种掩蔽符号，使得序列生成模型直接生成关系抽取任务所需的带标注的语料；并且，通过对实体进行掩蔽，序列生成模型专注于学习实体间的关系，有效提高关系抽取的准确性。综上，本发明能够在初始语料不够充足的情况下，生成关系抽取任务所需的带标注的语料，极大地降低了人工标注成本。

本发明公开了一种基于Wide&Deep深度学习模型的文本预测方法。本发明旨在解决深度学习模型中对人工特征的充分利用以及Wide&Deep模型预测时的计算消耗问题。本发明的实施方案是：首先对文本数据进行标注，其次构建Wide特征，然后对基于Wide&Deep的深度学习模型添加辅助训练任务，最后对文本内容进行预测。本发明提及的人工特征作为深度学习模型训练过程中的附加任务，为模型提供了更多的有效信息，提高了模型学习效率。并且，在文本内容预测时不需要计算Wide特征，从而提升了模型性能。不同宽度的卷积核卷积后，可以通过一次卷积block获得不同距离上的信息，这有助于提升模型性能。同时，减少调整不同卷积核的时间，通过模型学习能自动适应不同的卷积核宽度。