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！

龙图腾网获悉贵州轻工职业技术学院;贵州大学申请的专利一种自适应结构学习的深度文本聚类方法及装置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：CN116483999B 。

龙图腾网通过国家知识产权局官网在2026-05-08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：202310399473.2，技术领域涉及：G06F16/353；该发明授权一种自适应结构学习的深度文本聚类方法及装置是由任丽娜;黄瑞章;潘伟设计研发完成，并于2023-04-14向国家知识产权局提交的专利申请。

本一种自适应结构学习的深度文本聚类方法及装置在说明书摘要公布了：本发明公开了一种基于自适应结构学习的深度文本聚类方法，所述方法包括如下步骤：步骤一：构造K‑近邻图；步骤二：通过自适应阈值策略生成自适应结构的图；步骤三：使用阈值衰减策略让图卷积核动态调整拓扑范围，从而学习到文本的自适应的结构化语义表示；步骤四：利用自编码器学习文本的语义表示，并将其逐层融入步骤三学习到的结构化语义表示中，学习融合增强的语义表示；步骤五：不断反调优化编码器参数，得到最终的文本聚类结果。将结构信息融合到文本语义表示中，同时利用结构信息和语义信息共同监督聚类过程，有效解决了无监督文本聚类文本表示差异性、监督力度不够的问题，从而提高聚类结果的准确性，得到更适合下游任务的聚类结果。

本发明授权一种自适应结构学习的深度文本聚类方法及装置在权利要求书中公布了：1.一种基于自适应结构学习的深度文本聚类方法，其特征在于，所述方法包括如下步骤： 步骤一：将原始文本数据利用K-近邻方法构造K-近邻图； 步骤二：通过自适应阈值策略过滤掉相似度较低的邻接点，生成自适应结构的图； 步骤三：将自适应结构的图输入自适应拓扑结构的神经网络中，使用阈值衰减策略让图卷积核动态调整拓扑范围，学习到文本的自适应的结构化语义表示； 步骤四：将文本自身信息输入自编码器中，学习到文本自身语义表示，并将文本自身语义表示逐层融入步骤三学习到的自适应的结构化语义表示中，学习具有文本自身语义表示和结构语义表示的融合增强语义表示； 步骤五：利用softmax对步骤四得到的融合增强语义表示进行聚类划分类簇分布，利用双重自监督机制计算自适应的结构化语义表示与文本自身语义表示之间的损失，不断反调优化编码器参数，得到最终的语义表示和文本聚类结果； 所述文本的自适应的结构化语义表示通过以下公式计算： ， 其中，为神经网络层数，，为第层多项式卷积核，是第层多项式参数，M代表卷积核的数量，b为可学习的偏差矩阵，为第层顶点个数作为维度的全1向量，A表示步骤二中获得的自动调整的图结构信息的相似度矩阵，为第层文本的自适应的结构化语义表示，σ为激活函数； 所述双重自监督机制具体包括：将划分类簇分布R，利用学生分布从自编码器学到的文本语义表示得到文本数据分布Q，并以此为基础计算分布P，利用KL散度公式计算P与Q分布之间差异损失以及P与R之间差异损失，最小化P与Q分布之间差异损失以及P与R之间差异损失学习高置信度分配，以微调模型参数，并结合自编码器的重构损失，共同构成模型的损失函数,通过R得到聚类结果； 所述P与Q分布之间差异损失的计算方法如下： ， 其中，下标i表示第i个样本，下标j表示第j个聚类中心，p表示P中的一个值，q表示Q中的一个值，Lae表示P与Q分布之间差异损失； 所述P与R分布之间差异损失的计算方法如下： ， 其中，下标i表示第i个样本，下标j表示第j个聚类中心，p表示P中的一个值，r表示R中的一个值，Ltagcn表示P与R分布之间差异损失。

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贵州轻工职业技术学院;贵州大学，其通讯地址为：550002 贵州省贵阳市南明区龙洞堡见龙洞路286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。