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：山东省大数据中心

摘要：本公开提供了基于依赖注意力图卷积的政务数据自动标注方法及系统，涉及数据标注技术领域，获取政务服务的语料数据，并对所述语料数据预处理；提取预处理后的语料数据中的政务词汇，计算每个政务词汇在该条语料中的重要性，获取每条语料中每个政务词汇的政务加权TF‑IDF特征值；提取每条语料数据的词性特征、词形特征、拼音特征以及依赖特征，利用注意力机制将所述政务加权TF‑IDF特征值、词性特征、词形特征、拼音特征以及依赖特征进行特征融合，得到节点特征；输入节点特征，输出政务语料的分类结果；预设评估指标，对分类结果的每类数据进行评价，并根据评价结果实现政务语料数据的自动标注。

主权项：1.基于依赖注意力图卷积的政务数据自动标注方法，其特征在于，包括：获取政务服务的语料数据，并对所述语料数据预处理；提取预处理后的语料数据中的政务词汇，计算每个政务词汇在每条语料中的重要性，获取每条语料中每个政务词汇的政务加权TF-IDF特征值，并构建政务加权TF-IDF特征矩阵；提取预处理后的语料数据中的政务词汇，计算每个政务词汇在该条语料中的重要性，包括：统计每条语料数据中单词出现的次数，当单词为政务词汇时，给予所述单词额外的政务加权，突出单词在本条语料数据中的重要性，具体为： ；其中，表示第个词在第个语料中出现的次数，是第个语料所有单词出现次数之和，是第个单词的权重；提取每条语料数据的词性特征、词形特征、拼音特征以及依赖特征，利用注意力机制将所述政务加权TF-IDF特征值、词性特征、词形特征、拼音特征以及依赖特征进行特征融合，得到节点特征；构建政务加权TF-IDF特征矩阵，包括：计算政务加权TF-IDF特征值为， ；其中，表示文档总数，表示包含第个词语的文档总数，+1规避除零风险；再基于每条语料每个单词的政务加权TF-IDF特征值构建特征矩阵，每行表示一个文档，每列表示一个单词；利用注意力机制将所述政务加权TF-IDF特征值、词性特征、词形特征、拼音特征以及依赖特征进行特征融合，得到节点特征，包括：基于注意力机制进行TF-IDF特征值、词性特征向量、词形特征向量、拼音特征向量和依赖特征向量的融合，计算每个特征向量的注意力权重， ；其中，函数为注意力层，接收所有特征向量作为输入，并输出每个特征的权重，权重应满足归一化条件，和为1；,,,,分别为TF-IDF特征值、词性特征向量、词形特征向量、拼音特征向量和依赖特征向量；使用得到权重进行特征融合： ；其中，是融合后的特征向量；将每条语料数据的依赖矩阵作为图卷积网络各节点的邻接矩阵，输入节点特征，输出政务语料的分类结果；预设评估指标，对分类结果的每类数据进行评价，并根据评价结果实现政务语料数据的自动标注。

全文数据：

权利要求：

百度查询： 山东省大数据中心 基于依赖注意力图卷积的政务数据自动标注方法及系统