買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉吉林大學(xué)申請的專利一種基于噪聲優(yōu)化與屬性融合的實(shí)體對齊方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN116737957B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202310720797.1，技術(shù)領(lǐng)域涉及：G06F16/36；該發(fā)明授權(quán)一種基于噪聲優(yōu)化與屬性融合的實(shí)體對齊方法是由彭濤;畢海嘉;王若霖;包鐵;劉露設(shè)計(jì)研發(fā)完成，并于2023-06-19向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于噪聲優(yōu)化與屬性融合的實(shí)體對齊方法在說明書摘要公布了：本發(fā)明適用于知識圖譜技術(shù)領(lǐng)域，提供了一種基于噪聲優(yōu)化與屬性融合的實(shí)體對齊方法，包括以下步驟：對實(shí)體種子集合進(jìn)行噪聲初始化，獲得準(zhǔn)確的噪聲實(shí)體對；注入噪聲感知優(yōu)化生成器，在真實(shí)種子實(shí)體對的相關(guān)分布周圍獲取更多的噪聲實(shí)體對；產(chǎn)生噪聲實(shí)體對后，送入噪聲感知優(yōu)化鑒別器，鑒別出真實(shí)的種子實(shí)體對以及噪聲實(shí)體對；噪聲感知優(yōu)化生成器與噪聲感知優(yōu)化鑒別器相互迭代，得到信任分?jǐn)?shù)并與閾值θ進(jìn)行比較得到純凈的標(biāo)記數(shù)據(jù)；將獲得的真實(shí)種子實(shí)體對，通過GCN進(jìn)行結(jié)構(gòu)嵌入，最終獲取結(jié)構(gòu)對齊模型。該方法利用噪聲優(yōu)化與屬性結(jié)合的方式不僅降低了復(fù)雜程度，且提高了實(shí)體對齊的效果，在減少實(shí)驗(yàn)開銷的基礎(chǔ)上，獲得具有優(yōu)秀的實(shí)體對齊效果。

本發(fā)明授權(quán)一種基于噪聲優(yōu)化與屬性融合的實(shí)體對齊方法在權(quán)利要求書中公布了：1.一種基于噪聲優(yōu)化與屬性融合的實(shí)體對齊方法，其特征在于，包括以下步驟： 步驟1、對實(shí)體種子集合進(jìn)行噪聲初始化，獲得準(zhǔn)確的噪聲實(shí)體對； 步驟2、注入噪聲感知優(yōu)化生成器，在真實(shí)種子實(shí)體對的相關(guān)分布周圍獲取更多的噪聲實(shí)體對； 步驟3、產(chǎn)生噪聲實(shí)體對后，送入噪聲感知優(yōu)化鑒別器，鑒別出真實(shí)的種子實(shí)體對以及噪聲實(shí)體對； 步驟4、噪聲感知優(yōu)化生成器與噪聲感知優(yōu)化鑒別器相互迭代，得到信任分?jǐn)?shù)并與閾值θ進(jìn)行比較得到純凈的標(biāo)記數(shù)據(jù)； 步驟5、將獲得的真實(shí)種子實(shí)體對，通過GCN進(jìn)行結(jié)構(gòu)嵌入，最終獲取結(jié)構(gòu)對齊模型； 在所述步驟1中，初始狀態(tài)下，需要預(yù)先人工產(chǎn)生準(zhǔn)確的噪聲實(shí)體對；在包含標(biāo)簽的種子集合中提取部分種子實(shí)體對并對其進(jìn)行隨機(jī)替換，替換完成后與剩余的實(shí)體對進(jìn)行融合，從而獲取準(zhǔn)確的噪聲實(shí)體對； 在所述步驟2中，初始化完成后，為獲得更多的噪聲實(shí)體對，噪聲感知優(yōu)化生成器需在真實(shí)種子實(shí)體對的相關(guān)分布周圍獲取噪聲實(shí)體，噪聲感知優(yōu)化生成器基于負(fù)樣本的概率產(chǎn)生實(shí)體對，所述負(fù)樣本的生成采用伯努利負(fù)采樣方式； 在所述步驟5中，利用預(yù)訓(xùn)練詞向量作為結(jié)構(gòu)嵌入的輸入部分，將預(yù)訓(xùn)練詞向量作為GCN初始化，GCN負(fù)責(zé)將數(shù)據(jù)信息表示成低維向量；GCN采用穩(wěn)定的兩層GCN層，每一層的輸出為下一層的輸入數(shù)據(jù)，并初始化其權(quán)重； 同時，對于屬性嵌入，同樣采用預(yù)訓(xùn)練詞向量來生成屬性表示，具體的，利用Word2Vec下的CBOW連續(xù)詞袋方式建模屬性預(yù)訓(xùn)練詞向量，并選取前3000個頻繁屬性，采用兩層GCN并配合高速門控機(jī)制HighwayGates進(jìn)行去噪處理。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人吉林大學(xué)，其通訊地址為：130012 吉林省長春市前進(jìn)大街2699號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。