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！

龙图腾网获悉北京理工大学申请的专利一种基于主题感知和协同思想的目标级事件文本分类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：CN118349672B 。

龙图腾网通过国家知识产权局官网在2026-04-14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：202410314186.1，技术领域涉及：G06F16/353；该发明授权一种基于主题感知和协同思想的目标级事件文本分类方法是由施重阳;程迎寒;肖亮设计研发完成，并于2024-03-19向国家知识产权局提交的专利申请。

本一种基于主题感知和协同思想的目标级事件文本分类方法在说明书摘要公布了：本发明涉及一种基于主题感知和协同思想的目标级事件文本分类方法，属于人工智能和自然语言处理技术领域。本方法使用主题建模技术来获取不同类别所考虑的不同方面隐含主题；构建了一个异构主题图，根据不同类别标签的隐含主题来捕捉关联，通过协同传播聚合模块充分利用文本、主题和分类标签之间的协作信号，在异构图上应用直接监督来学习文本、隐含主题、类别标签的表征；设计了一个评分模块，无缝集成了基于Transformer的双向编码器表征Bert和CPA进行推理，并综合考虑Bert提供的语义信息和CPA带来的协作信息，能够全面考虑最终的文本分类。本方法克服了现有的文本分类方法中分类器结构不敏感、单峰性以及解释性较差的技术缺陷，能够有效提高文本分类效果。

本发明授权一种基于主题感知和协同思想的目标级事件文本分类方法在权利要求书中公布了：1.一种基于主题感知和协同思想的目标级事件文本分类方法，其特征在于，包括以下步骤： 步骤1：生成文本相对于目标和类别标签的隐含主题及其分布； 步骤1中，对于针对同一目标的所有文本，根据类别标签划分为若干个文本子集；基于这些文本子集，通过主题建模方法LDA生成与目标相关的、具有类别标志的隐含主题；由LDA最终获取多个相关或不相关的隐含主题，同时还得到每个文本关于隐含主题的分布，也就是文本属于每个隐含主题的概率值； 步骤2：根据文本、类别标签以及生成的隐含主题，构造异构主题图； 在步骤2中，构造关于隐含主题的具有三类节点的异构图；用分布作为文本节点与主题节点之间边的权值； 对于隐含主题与类别标签，当隐含主题是由某个类别下的文本子集生成的，则在隐含主题与该类别之间构造一条边，权重置为1； 对于文本节点和类别标签节点，使用Bert进行节点的初始化，隐含主题节点使用随机初始化的方法，在后续训练过程中进一步学习优化，以得到最好的表征； 最终得到一个具有三类节点、两类边的具有层次性的异构主题图； 步骤3：通过异构主题图，生成协同矩阵用于对比图协同训练； 在步骤3中，首先将三类节点的初始表征拼接成一个嵌入表征表，该表会参与后续的对比图协同训练过程，其作为一个参数矩阵以端到端的方式被不断更新，在异构图上捕捉协作信号并传播和聚合，以获取节点的最优表征； 然后，基于步骤2中的两种边，将两种关联的邻接矩阵拼接为协同矩阵，用于后续训练过程中协作信号的获取； 步骤4：设计协同传播聚合CPA模块，捕捉图中节点之间的协作信号； 协同传播聚合模块扩展了图神经网络的消息传递架构，沿图结构捕获协作信号并优化节点嵌入，通过协同矩阵找到节点的1-hop邻居，然后构造邻居节点传播来的协作信息；聚合多个邻居的协作信息，用于更新节点在嵌入表征表中的嵌入表示；根据协同矩阵能够找到节点的多跳邻居节点，再聚合其传播过来的协作信息；在传播过程中，添加一个图拉普拉斯范数作为折扣因子； 步骤5：训练神经网络，使用相似度损失和对比损失作为损失函数计算损失值，得到文本、主题以及类别标签的最优表征和最佳表示方式； 步骤6：设计评分模块，计算分布得分和语义得分，用于推理阶段最终获取文本的分类结果； 步骤6.1：计算语义得分； 文本通过训练的基于Transformer的双向编码器表征Bert得到表征，计算该表征与嵌入表征表中不断更新的类别标签节点表征之间的得分； 步骤6.2：计算分布得分； 文本通过主题建模方法LDA得到分布概率值，结合嵌入表征表中不断更新的隐含主题节点表征得到文本节点表征，然后通过协同传播聚合模块计算节点的优化表征与类别标签节点的优化表征之间的得分； 步骤6.3：语义得分加上分布得分得到最终得分，取分值最高的索引，作为推理的分类结果。

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理工大学，其通讯地址为：100081 北京市海淀区中关村南大街5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”。

以上内容由龙图腾AI智能生成。