专利交易市场

本发明公开了一种基于图同构网络的谓词抽取方法。本发明使用了DDParser工具对文本句子进行解析，并利用句子解析后得到的词性结果对分词序列中的专用名词进行泛化。对Bert的嵌入部分做调整，加入对词性信息的编码，将泛化后的词序列输入到微调后的Bert模型中进行编码。使用GIN网络来获取依存树中每一个节点的嵌入向量以及依存子树的表征向量。再这之后通过一层注意力机制，将语义信息还有依存结构信息融合起来得到最终的节点嵌入向量。最后，本发明将最终的词嵌入向量集合输入到一个二分类器中，得到谓词结果。本发明使用了深度学习的方式学习句子的结构模板特征，大大减少了人们的工作量，有着较强的跨领域性和适应能力，有效提升了谓词抽取方法的准确性。

一种基于图同构自编码器的故障诊断方法，所述方法包括以下步骤：1)数据的获取和整合：使用TE仿真过程的故障信息数据，并对数据进行收集、划分和处理；2)建模训练：构建GIAE故障诊断模型，利用GIAE模型对所整合的数据进行学习训练；3)模型预测和对比：将训练后的GIAE模型用于故障预测，给出预测准确率，并验证GIAE性能的优越性。本发明方法利用大量数据引导编码器挖掘样本具有判别性的本征信息，并引导模型将本征信息映射到故障类别空间；此外，GIAE使用变量重要度和分数向量来量化变量和变量关系对样本类别的贡献度，更好地反映工业过程不同故障下的细微差异，有效提高故障的预测效果，具有普遍性和通用性。

本发明提供基于机器学习的生物信息学数据处理方法、系统及介质，涉及数据处理技术领域，包括：创建样品数据库和已知数据库；对样品数据库中的蛋白质分子进行编码，得到样品编码库，对已知数据库中的蛋白质分子进行编码，得到已知编码库；对样品编码库中的蛋白质分子编码进行识别分类，得到缺失数据集和正常数据集；对正常数据集进行特征提取，得到正常特征集；对缺失数据集进行预补全，得到估计值数据集；训练随机森林模型对正常特征集进行分类；基于训练完成的随机森林模型对估计值数据集进行特征补全，得到补全数据；本发明用于解决现有的识别方法不能有效地对缺失的生物信息学数据进行精准补全，因此在后续的分类上也会存在缺陷的问题。

一种基于子图同构的web数据自动可视化方法，包括以下步骤：第一步：构建服务数据可视化建模与匹配方法的架构；第二步：定义元数据树MDT；第三步：读取调用的REST API所返回的JSON数据，将JSON数据集ds作为建模算法的输入，对ds进行树形结构建模；第四步：通过剪枝的方法，保留基本的数据结构信息；第五步：对可视化图形进行分类；第六步：先用降维方法对MDT进行降维操作，生成元结构树MST，再进行匹配查询，调用基于子图同构的匹配方法查找MST中与VT的各个StructModel匹配的片段，并根据Mapping信息进行数据映射生成可视化图形。本发明将模型进行自动化匹配，以实现数据的自动可视化。