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！

龙图腾网恭喜北京邮电大学申请的专利一种基于融合列空洞卷积的标准内容关键词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：CN114757175B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202210492445.0，技术领域涉及：G06F40/279；该发明授权一种基于融合列空洞卷积的标准内容关键词识别方法是由胡燕祝;赵兴昊;王珂璠;庄育锋设计研发完成，并于2022-04-29向国家知识产权局提交的专利申请。

本一种基于融合列空洞卷积的标准内容关键词识别方法在说明书摘要公布了：本发明公开了一种基于融合列空洞卷积的《标准》内容关键词识别方法，步骤是：1确定标准内容文本的序列化向量；2提取每个词的局部特征；3确定词语上下文权重信息；4得到最终的标注序列条件分布；5优化参数得到最优标注序列。本发明使用列空洞卷积与BiLSTM‑Fusion结合的形式，利用列空洞卷积进行局部特征信息提取，有效提高模型对长程依赖的信息提取能力，同时保留了文本的空间信息，为标准内容的关键词提取提供了一种准确率高的提取方法。

本发明授权一种基于融合列空洞卷积的标准内容关键词识别方法在权利要求书中公布了：1.一种基于融合列空洞卷积的标准内容关键词识别方法，其特征在于，包括以下步骤：步骤一：确定标准内容文本的序列化向量Ε：在文本中获取某句子的表示：X＝[x1,x2,…,xn]T；式中，X是句子的向量表示，xi表示该句子文本中的第i个词，通过将文本X输入到层进行BERT序列化操作，得到序列化后的文本向量；F＝[F1,F2,…,Fn]T；其中F表示句子文本经序列化后的字符数组，Fi表示文本中第i个字的序列化词；步骤二：提取每个词的局部特征m：在词方向形成空洞，构成列空洞卷积，卷积核尺寸为3、空洞率为2的列空洞卷积核如下： 卷积核k∈R3×l，其中第一行和第三行有卷积参数，第二行不参与卷积运算，不做参数更新； F∈Rn×l表示文本输入矩阵，其为n个词嵌入文本的二维矩阵，l为词嵌入维度，选用卷积核k的大小为W×l的空洞卷积核，W为卷积核宽度，l为词向量的嵌入长度，将卷积按词拼接方向进行卷积操作；Fo表示卷积核参数与文本嵌入矩阵的元素对应乘积之和，其中卷积核空洞部分不参与计算，WS,r表示尺寸为S、空洞率为r的卷积核的宽度，经过列空洞卷积核处理过后的输出f[x][y]表示第x个行元素的第y个特征；引入并行卷积层和堆叠池化层，并行卷积层与列空洞卷积为并行运行，其用于原始数据的特征提取；堆叠池化层将并行卷积层于列空洞卷积的特征进行纵向堆叠，将两方面特征进行融合，最后通过最大池化得到特征信息，即M′＝maxM[0][y],M[1][y],…,M[G+1-WS,r][y],1≤y≤l；步骤三：确定词语上下文权重信息对经过列空洞卷积处理后的维度特征信息与词嵌入融合得到：Ei＝[FiT,M′]T；Ε＝[E1,E2,…,En]；Ei表示第i个经列空洞卷积与BERT词嵌入之后的词向量表示，Ε表示句子的词向量表示；BiLSTM-fusion在最后输出层中将BiLSTM输入与BiLSTM输出层又做了一次融合；公式如下： 上式为前向LSTM的三个门，即输入门、遗忘门、输出门，为后向LSTM的三个门，这六个门可以控制信息流向；在前向LSTM中，隐藏层状态rt-1对rt的更新有影响，对于后向LSTM，隐藏层状态lt+1对lt的更新有影响；W为权重矩阵；b为偏置项；σ为sigmoid激活函数；c为状态变量，其与输出门共同控制最后的隐藏层状态；*为哈达玛积；tanh为双曲正切函数；为向量的拼接操作，经过BiLSTM-fusion处理之后的具有上下文信息的字符数组为： 步骤四：得到最终的标注序列条件分布Py|x：经过BiLSTM-Fusion得到： 在CRF模型中，标注序列的条件分布概率Py|x有： 和表示标签对yi-1,yi的状态转移矩阵和偏置参数，这些参数能够不断被优化；步骤五：优化参数得到最优标注序列Y＝y1,y2,…,yn：最后选取极大似然函数L作为目标函数： X是所有训练样本，Y是所有标签的集合，训练采用Adam优化器；在经过参数调整后，产生最优标注序列，Y＝y1,y2,…,yn。

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”。