版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领
文档简介
viaHeterogeneousGraphfor.2022,6345–6350.一种基于实体级跨模态交互的多模态命名本发明提供了一种基于实体级跨模态交互构图的实体级跨模态交互网络来挖掘视觉模态程外，保护非实体词元免受视觉模态噪声的干2步骤一、将输入文本利用词典进行词元化切分，使用预训定词元特征，将特定词元特征和实体范围检测真实标签输入条件随机场(Conditional步骤五、将输入图像利用DETR模型进行视觉目标检测，检测步骤六、将目标编码矩阵输入带有ReLU激活函数的步骤八、将多模态异构图输入跨模态交互网络中，根步骤九、将多模态词元特征和词元的命名实体识别步骤十、将多模态命名实体识别损失函数和实体范围步骤九、将多模态词元特征输入条件随机场中，使用维3i其中，n"是第l层图网络实体结点的特征，是第l层图网络实体引导的跨模态多45海量数据中抽取关键信息辅助投资决策等。同时随着互联网的发展及互联网用户的增加，6[0007]如图1所示，现有技术之一的“AdaptiveCo_AttentionNetworkforNamed[0009]如图2所示，现有技术之二的“Object_awareMultimodalNamedEntityRecognitioninSocialMediaPostswithAdversarialLearning”文章提出使用视觉目标(VisualObject)作为图像的特征以考虑[0010]首先，使用在COCO数据集上预先训练好的MaskRCNN模型检测输入图像中的视觉行增强。最后，将文本特征和视觉目标特征送入门控双线性注意力网EntityRecognitioninTweets”、“Object_awareMultimodalNamedEntity7[0027]步骤九、将多模态词元特征和词元的命名实体识别真实[0028]步骤十、将多模态命名实体识别损失函数和实体范围检测损失函数进行加权求8i9n"是第l层图网络实体结点的特征，是第l层图网络实体引导的跨模[0063]图2为基于对抗学习(AdversarialLearning)的门控双线性注意力网络(GatedBilinearAttentionNetwo[0065]图4为本发明提供的一种基于实体级跨模态交互的多模态命名实体识别方法流程员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范[0071]BERT:BidirectionalEncoderRepresentationfromTransformers基于[0072]BiLSTM:Bi_di[0074]GloVe:GlobalVeci[0118]步骤九、将多模态词元特征和词元的命名实体识别真实[0124]步骤十、将多模态命名实体识别损失函数和实体范围检测损失函数进行加权求
温馨提示
- 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
评论
0/150
提交评论