(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211282962.1 (22)申请日 2022.10.20 (71)申请人 佛山科学技术学院 地址 528011 广东省佛山市江湾一路18号 (72)发明人 齐浩亮　苗晓刚　韩咏　孔蕾蕾　 韩中元　曹霞　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 邓宇 (51)Int.Cl. G06F 16/35(2019.01) G06N 3/08(2006.01) G06Q 10/10(2012.01) G06F 40/30(2020.01) (54)发明名称 主题集成服务重复材料发现方法、 系统、 设 备和存储介质 (57)摘要 本发明公开了一种主题集成服务重复材料 发现方法、 系统、 设备和存储介质， 涉及信息处理 领域。 所述方法包括： 获取主题集成服务的文件 材料的材料名称和文本信息； 基于特征提取器进 行提取材料名 称和文本信息的全局语义信息特 征； 根据逻辑回归算法进行处理所述的全局语义 信息特征， 判断是否为重复材料。 该方法能够提 高工作效率， 降低重复材 料评估的错 误率。 权利要求书3页 说明书12页 附图1页 CN 115357718 A 2022.11.18 CN 115357718 A 1.主题集成服 务重复材 料发现方法， 其特 征在于， 所述方法包括： 获取主题集成服 务的文件材 料的材料名称和文本信息； 基于特征提取器进行提取 材料名称和文本信息的全局语义信息特 征； 根据逻辑回归算法进行处 理所述全局语义信息特 征， 判断是否为重复材 料。 2.根据权利要求1所述的主题集成服务重复材料发现方法， 其特征在于， 所述基于特征 提取器进行提取 材料名称和文本信息的全局语义信息特 征， 具体为： 去除文件材料的材料名称和文本信息的地域名称与特殊符号， 获取处理后的文本信 息； 添加标志位cls至BERT模型的分字模块， 将两个文件材料的处理后的文本信息拼接为 拼接文本信息， 并利用BERT模型的分字模块进行分字处理所述拼接文本信息， 获取全局 语 义信息特征， 其中， 所述拼接文本信息包括第i个材料xi和第j个材料xj的处理后的文本信 息， 所述全局语义信息特征包括所述拼接文本信息的一维特征向量 ， i≥1， j≥1， 且i≠ j： , 其中， 代表12层结构一致transfromer编码嵌入向量， [0]代表第 一个维度向量。 3.根据权利要求2所述的主题集成服务重复材料发现方法， 其特征在于， 所述根据逻辑 回归算法进行分类处理所述的全局语义信息特征， 判断是否为重复材料， 包括文本信息相 似度概率的计算， 并根据文本信息相似度概率判断是否为重复材料， 其中文本信息相似度 概率的计算具体为： ， 其中， exp是以自然常数e为底的指数函数， 为算法权重向量， P为文本信息相似度概 率。 4.根据权利要求3所述的主题集成服务重复材料发现方法， 其特征在于， 所述根据逻辑 回归算法进行分类处理所述全局语义信息特征， 判断是否为重复材料， 还包括主动学习方 法， 具体为： 设置文本信息相似度概 率阈值， 所述文本信息相似度概 率阈值包括0.8和0.2； 所述文本信息相似度概率大于或等于0.8为重复材料； 所述文本信息相似度概率小于 或等于0.2为 非重复材料； 文本信息相似度概率小于0.8大于0.2的材料为错误分类， 所述错 误分类的材 料进行重新训练。 5.根据权利要求4所述的主题集成服务重复材料发现方法， 其特征在于， 所述重新训练 包括： 通过机器学习的方法获取错 误分类的材 料； 人工标注所述错误分类的材料数据的是否重复标签， 并将所述错误分类的数据进行重权　利　要　求　书 1/3 页 2 CN 115357718 A 2新微调学习， 具体为： 调整预训练权重和逻辑回归算法， 使用交叉熵作为损失函数L， 权重更新使用Adam梯度 下降法： ， 其中， y为人工标注的两个材料的是否重复标签， 为分类模型预测值， L衡量模型预测 值与实际值的差距程度。 6.根据权利要求1所述的主题集成服务重复材料发现方法， 其特征在于， 所述方法还包 括： 将构成主题集成服务文件材料做并集， 以 表示主题集成服务文 件材料的并集， n 为材料的总数； 在所述n个材料中任意选取两个材 料， 合成一组， 判断两个材 料是否重复： ； 其中， 0表示两个材 料不重复， 1表示材 料重复； 提取f()=1的所有材料组合进行输出， 删除所述组合中的任意一份材料xi或xj， xi代表 第i个材料， xj代表第j个材 料。 7.主题集成服 务重复材 料发现系统， 其特 征在于， 所述系统包括： 材料名称和文本信 息获取单元， 用于获取主题集成服务的文件材料的材料名称和文本 信息； 全局语义信 息特征获取单元， 用于基于特征提取器进行提取材料名称和文本信 息的全 局语义信息特 征； 重复材料判断单元， 用于根据逻辑回归算法进行分类处理所述全局语义信息特征， 判 断是否为重复材 料。 8.根据权利要求7所述的主题集成服务重复材料发现系统， 其特征在于， 所述全局语义 信息特征获取单元包括： 处理后的文本信 息获取模块， 用于去除文件材料的材料名称和文本信 息的地域名称与 特殊符号， 获取处 理后的文本信息； 全局语义信息特征获取模块， 用于添加标志位cls至BERT模型的分字模块， 将两个文件 材料的处理后的文本信息拼接为拼接文本信息， 并利用BERT模型的分字模块进 行分字处理 所述拼接文本信息， 获取全局语义信息特征， 其中， 所述拼接文本信息包括第i个材料xi和 第j个材料xj的处理后的文本信息， 所述全局语义信息特征包括所述拼接文本信息 的一维 特征向量 ， i≥1， j≥1， 且i≠j： , 其中， 代表12层结构一致transfromer编码嵌入向量， [0]代表第 一个维度向量。 9.一种计算机设备， 其特征在于： 包括存储器和处理器， 所述存储器中存储有计算机程权　利　要　求　书 2/3 页 3 CN 115357718 A 3