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！

龙图腾网获悉南京云问网络技术有限公司申请的专利基于门控机制的篇章级事件要素抽取方法、系统与计算机可读介质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：CN116595165B 。

龙图腾网通过国家知识产权局官网在2026-05-12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：202211368582.X，技术领域涉及：G06F16/353；该发明授权基于门控机制的篇章级事件要素抽取方法、系统与计算机可读介质是由沈盛宇;杜振东;王清琛设计研发完成，并于2022-11-03向国家知识产权局提交的专利申请。

本基于门控机制的篇章级事件要素抽取方法、系统与计算机可读介质在说明书摘要公布了：本发明提供一种基于门控机制的篇章级事件要素抽取方法、系统与计算机可读介质，利用输入的篇章级文本，通过判别输入的文本中包含的事件类型及抽取除文本的事件要素信息，并结合预先定义的事件类型及事件要素类型，采用门控机制为相应的事件补充详细的事件要素，准确识别和提取出篇章级文本中的事件类型以及每个事件类型对应包含的事件要素类型。本发明提出的基于门控机制的篇章级事件要素抽取方法，支持在各个不同应用场景领域下的应用，例如金融机构公告、移动服务商套餐、上市公司信息披露等等特定领域，可通过特定领域的标注数据进行定向训练，从而适用于各个领域的篇章级事件要素抽取。

本发明授权基于门控机制的篇章级事件要素抽取方法、系统与计算机可读介质在权利要求书中公布了：1.一种基于门控机制的篇章级事件要素抽取方法，其特征在于，包括： 步骤101：结合预定义的事件框架，输入作为训练样本数据的篇章级文本di，i=1,2,3,…,m，m表示篇章级的训练样本数据的数量； 步骤102：对步骤101中输入的篇章文本di进行特征处理，获取特征信息； 步骤103：将步骤102中获取得到的特征信息输入到基于Transformer-Encode结构的模型M的表征层中进行表征，得到模型编码特征En； 步骤104：将步骤103步骤获取的模型编码特征En输入到一个全连接层构成的事件判别层，通过softmax激活函数获取事件类型判别信息； 步骤105：将步骤103获取的模型编码特征En输入到一个CRF层构成的要素抽取模块，通过维特比解码获取输入文本的每个字的标签状态类型，得到事件要素抽取信息； 步骤106：融合步骤104获取的事件类型判别信息以及步骤105获取的事件要素抽取信息，输入到标准Transformer模型Decoder结构的编码器构成的融合层，在融合层中判别事件类型的个数及相应事件类型的详细的事件要素； 步骤107：以篇章级的训练样本数据为输入进行模型训练，其中在步骤104中对事件判别层的训练过程中，采用交叉熵损失函数，计算其损失值；在步骤105中对要素抽取模块的训练过程中，采用损失函数计算其损失值；在步骤106中对融合层的训练过程中，采用交叉熵损失函数，计算其损失值，并通过联合训练的方法，将、和动态加权，获取最终损失函数Loss，进行联合训练，获得篇章级事件要素抽取模型； 步骤108：将待处理的篇章级文本输入前述训练的篇章级事件要素抽取模型，通过模型抽取输出每个事件类型及相应事件类型的事件要素，汇总得到最终抽取结果R； 其中，在所述步骤106中，所使用的融合层为一个标准Transformer模型Decoder结构并融合了门控机制的解码器，以提示模板作为解码器起始内容的前缀内容，并将其输出结果经过一个全连接层，通过softmax激活函数，逐个判别事件类型及事件要素信息： ； 其中为编码器的输出结果；为标准Transformer模型Decoder解码器； 解码器在t时刻的门控单元输出隐藏状态计算公式如下： ； 其中为编码器的输出结果，为针对篇章级文本得到的事件要素抽取信息，为上一时刻的状态输出； 则，第t时刻的解码公式为： ； 其中为目标解码，为融合因子，计算方式为： ； 在第t时刻判别得到的事件要素信息为，计算公式如下： ； ； 其中，表示判别输出事件要素信息的概率，W和b分别表示该全连接层的权重以及偏置，为取中概率值最大的事件要素信息。

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南京云问网络技术有限公司，其通讯地址为：210000 江苏省南京市鼓楼区建宁路65号2楼203室；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。