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！

龙图腾网获悉北京邮电大学申请的专利一种基于知识推理技术的用户心智感知问答模型的架构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：CN119917624B 。

龙图腾网通过国家知识产权局官网在2026-03-27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：202411983881.3，技术领域涉及：G06F16/3329；该发明授权一种基于知识推理技术的用户心智感知问答模型的架构方法是由乔媛媛;吕菲;林文辉;宋颖;杨洁设计研发完成，并于2023-08-24向国家知识产权局提交的专利申请。

本一种基于知识推理技术的用户心智感知问答模型的架构方法在说明书摘要公布了：本发明公开了一种基于知识推理技术的用户心智感知问答模型的架构方法，涉及多模态智能问答技术领域。具体内容为：S1.构建信息融合模块：融合场景图、问题文本的多模态信息，生成融合嵌入表示，得到多模态信息融合；S2.构建基于强化学习的策略网络：采用强化学习范式构建策略网络，建模在场景图中寻找推理路径的过程；S3.构建基于问题相似度的用户反馈模块：基于词向量余弦相似度判断问题语义重复度，转换为用户反馈信号返回给策略网络指导路径推理。本发明可以在强化学习的范式下利用知识推理技术提高问答模型的可解释性，并考虑到用户的反馈，实现对用户心智的感知，从而对用户提供个性化的服务。

本发明授权一种基于知识推理技术的用户心智感知问答模型的架构方法在权利要求书中公布了：1.一种基于知识推理技术的用户心智感知问答模型的架构方法，其特征在于，包括以下步骤： S1.构建信息融合模块：融合场景图、问题文本的多模态信息，生成融合嵌入表示，得到多模态信息融合； S2.构建基于强化学习的策略网络：采用强化学习范式构建策略网络，建模在场景图中寻找推理路径的过程； S3.构建基于问题相似度的用户反馈模块：基于词向量余弦相似度判断问题语义重复度，转换为用户反馈信号返回给策略网络指导路径推理； S1中构建信息融合模块的具体步骤为： S11.基于GAT的场景图编码：将场景图数据通过GAT图注意力网络编码，得到节点嵌入表示和关系嵌入表示； S12.基于注意力机制进行上下文历史信息融合，得到上下文历史信息融合表示； S13.基于Transformer解码器架构的多模态信息融合：采用Transformer的解码器架构将上下文历史信息融合表示、场景图节点嵌入表示和关系嵌入表示进行融合，得到多模态融合输出； S12中基于注意力机制进行上下文历史信息融合的具体内容为： 生成文本词向量表示：采用Glove预训练模型对文本信息进行初始化生成当前问题的词向量表示和历史对话的词向量表示； 使用多头自注意力机制计算注意力系数：将当前问题和历史信息的词向量表示分别送入N个多头注意力模块中计算注意力系数；其中，自注意的具体实现过程为： 计算Query、Key、Value矩阵：使用线性变换矩阵、将、变换为新的矩阵表示： ， 计算第一个头的自注意输出： 其中，为第一个自注意头的自注意输出，为输入向量产生的Query矩阵，K为输入向量产生的Key矩阵，为Value矩阵的维度； 计算其他自注意头的自注意输出并将它们拼接在一起，经过一个线性层后得到多头自注意的输出： 其中，为线性映射函数，为第1到第n个自注意头的自注意力输出，为拼接操作； 第一次残差连接及规范化：对多头自注意的输出进行第一次残差连接及规范化；其中，残差连接为将多头自注意的输入和输出连接起来，规范化采用层归一化方法，将网络中的每层神经元的输入都进行标准化： 其中，为归一化操作函数，为多头自注意的输出； 经过前馈全连接层后进行第二次残差连接及规范化，得到上下文历史信息融合表示；其中，前馈全连接层由两层全连接层组成，参数分别用和表示，第一层全连接层由ReLU函数激活： 第二次残差连接及规范化： 最终得到的上下文历史信息融合表示为：； 经过融合上下文历史信息，当前问题得到了对上下文具有感知的新的表示； S2中构建基于强化学习的策略网络的具体步骤为： S21.基于马尔可夫决策过程建模寻径过程，将模型在场景图上的推理过程建模为游走智能体完成多跳推理的过程； S22.基于前馈连接网络结构搭建策略网络，输出智能体的多跳动作概率分布； S23.基于策略梯度算法最优化策略优化网络参数，使智能体动作轨迹的奖励最大化。

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邮电大学，其通讯地址为：100876 北京市海淀区西土城路10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。