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！

申请/专利权人：中国人民解放军国防科技大学

摘要：本说明书一个或多个实施例提供了一种事例检测方法和电子设备，包括：获取非结构化文本；利用预先构建的分类敏感学习模型，从所述非结构化文本中检测激发词，并识别所述激发词所属的事例类型；其中，所述分类敏感学习模型属于少样本学习模型；所述分类敏感学习模型是由分类敏感自监督学习框架和分类敏感原型网络通过序列化训练得到的；解决了原型网络在少样本的事例检测中无法迁移学习未知任务和过拟合的问题。

主权项：1.一种事例检测方法，其特征在于，包括：获取非结构化文本；利用预先构建的分类敏感学习模型，从所述非结构化文本中检测激发词，并识别所述激发词所属的事例类型；其中，所述分类敏感学习模型属于少样本学习模型；所述分类敏感学习模型是由分类敏感自监督学习框架和分类敏感原型网络通过序列化训练得到的；所述分类敏感自监督学习框架包括至少三个孪生距离网络；所述孪生距离网络包括至少两个第一GCN编码器和至少一个孪生距离函数；所述孪生距离函数表示如下： ,其中，a和b为两个不同的事例实例，为sigmoid函数，和为训练的变量,为GCN编码器；所述非结构化文本包括支撑集和查询集；所述激发词位于所述查询集；所述分类敏感原型网络，被配置为：使用第二GCN编码器和原型网络根据所述支撑集得到类质中心点嵌入；将标签分类体系输入到庞加莱嵌入，得到标签层次嵌入；其中所述标签分类体系由所述支撑集推断得到；将所述标签分类体系输入到BERT编码器，得到标签语义嵌入；根据所述类质中心点嵌入，所述标签层次嵌入，所述标签语义嵌入和所述标签引用嵌入，使用线性误差零值化方法获得映射矩阵和标签嵌入；在所述查询集上根据所述映射矩阵和所述标签嵌入获得网络损失，并得到所述激发词所属的事例类型；所述分类敏感学习模型是由分类敏感自监督学习框架和分类敏感原型网络通过序列化训练得到的，包括：使用所述支撑集训练所述分类敏感自监督学习框架，通过反向传播算法获得更新后的所述第一GCN编码器的参数；根据所述更新后的所述第一GCN编码器的参数初始化所述第二GCN编码器的参数，在所述查询集上通过反向传播算法训练所述分类敏感原型网络，更新所述第二GCN编码器的参数。

全文数据：

权利要求：

百度查询： 中国人民解放军国防科技大学 事例检测方法和电子设备