检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

少样本关系分类综述

计算机工程与应用 2023年第9期59卷 1-12页

作者：刘涛柯尊旺吾守尔·斯拉木新疆大学软件学院乌鲁木齐830046 新疆多语种信息技术实验室乌鲁木齐830046 新疆多语种信息技术研究中心乌鲁木齐830046

少样本关系分类旨在通过少量的有标注训练样本,来挖掘自然语言文本中目标实体之间所蕴含的语义关系,以应对传统的关系分类方法所面临的资源匮乏问题,从而能够较好地推广到医学、金融以及民语处理等数据稀缺的特定领域。目前,少样本关系... 详细信息

少样本关系分类旨在通过少量的有标注训练样本,来挖掘自然语言文本中目标实体之间所蕴含的语义关系,以应对传统的关系分类方法所面临的资源匮乏问题,从而能够较好地推广到医学、金融以及民语处理等数据稀缺的特定领域。目前,少样本关系分类的相关研究工作均在元学习的训练策略下学习先验知识,并以此快速适应新的任务,其大体上可以划分为基于原型网络、基于预训练语言模型、基于参数优化以及基于图神经网络四种方式。回顾少样本关系分类的发展,对不同研究方法的优势和局限性进行深入剖析和总结,在此基础上,分析该领域当前所面临的棘手问题和挑战,并进一步对其未来的研究方向进行展望。

关键词：关系分类少样本学习度量学习元学习

基于卷积神经网络的医学实体关系分类模型研究

在线全文

学校读者我要写书评

暂无评论

数据分析与知识发现 2021年第9期5卷 75-84页

作者：范少萍赵雨宣安新颖吴清强中国医学科学院/北京协和医学院医学信息研究所/图书馆北京100020 中央财经大学金融学院北京102206 厦门大学信息学院厦门361005

【目的】为提升关系分类模型性能,降低特征计算复杂性,提出一种融合多特征嵌入的卷积神经网络实体关系分类模型。【方法】参考已有研究的主要嵌入特征,提出融合位置和词汇级特征嵌入的卷积神经网络实体关系分类模型,并给出特征的计算表... 详细信息

【目的】为提升关系分类模型性能,降低特征计算复杂性,提出一种融合多特征嵌入的卷积神经网络实体关系分类模型。【方法】参考已有研究的主要嵌入特征,提出融合位置和词汇级特征嵌入的卷积神经网络实体关系分类模型,并给出特征的计算表示方法,上述特征无需复杂计算算法,提高了模型性能。【结果】所提模型在生物医学领域语料库AIMed、GENIA和ChemProt上F1值分别为0.7342、0.9764和0.8900,在GENIA和ChemProt上实现了当前最佳性能。【局限】尚未融入生物医学领域先验知识等领域特色的特征。【结论】融合多特征嵌入的卷积神经网络实体关系分类模型具有良好的分类效果,可为生物医学领域关系抽取和知识库研究提供参考。

关键词：关系分类卷积神经网络位置特征词汇级特征

在线全文

学校读者我要写书评

暂无评论

关系分类的学习界限研究

软件学报 2013年第11期24卷 2508-2521页

作者：王星方滨兴张宏莉何慧赵蕾哈尔滨工业大学计算机科学与技术学院黑龙江哈尔滨150001

在关系分类模型的学习过程中,目前还没有类似统计学习理论中学习界限的支撑.研究关系分类的学习界限显得尤为重要,为此,提出了一些适用于关系分类模型的学习界限.首先推导出在模型假设空间有限和无限情况下的学习界限.接着提出一个衡量... 详细信息

在关系分类模型的学习过程中,目前还没有类似统计学习理论中学习界限的支撑.研究关系分类的学习界限显得尤为重要,为此,提出了一些适用于关系分类模型的学习界限.首先推导出在模型假设空间有限和无限情况下的学习界限.接着提出一个衡量关系模型关联数据能力的复杂性度量——关系维,并证明了该复杂度和关系模型的生长函数之间的关系,得到有限VC维和有限关系维下的学习界限.然后分析了该界限可学习和有意义的条件,并对界限的可行性进行了详细的分析.最后分析了基于马尔可夫逻辑网的传统学习界限和关系分类中的学习情况,实验结果表明,所提出的界限能够解释实际关系分类中遇到的一些问题.

关键词：关系分类统计关系学习学习的界限

在线全文

学校读者我要写书评

暂无评论

基于跨句上下文信息的神经网络关系分类方法

计算机科学 2022年第S01期49卷 119-124页

作者：黄少滨孙雪薇李熔盛哈尔滨工程大学计算机科学与技术学院哈尔滨150001

关系分类作为信息抽取的核心任务和重要环节,能够实现实体对间语义关系的识别。近年来,深度学习在关系抽取任务中取得了显著的成果。到目前为止,研究者们的努力方向主要集中在对神经网络模型进行改进,但是对于不同句子之间语义关系密切... 详细信息

关系分类作为信息抽取的核心任务和重要环节,能够实现实体对间语义关系的识别。近年来,深度学习在关系抽取任务中取得了显著的成果。到目前为止,研究者们的努力方向主要集中在对神经网络模型进行改进,但是对于不同句子之间语义关系密切的文本类型尚缺乏有效的方法来获取段落或篇章级别的跨句语义信息。针对此类段落或篇章级的关系抽取数据集,提出了一种将句子结合其跨句上下文信息共同作为神经网络模型输入的方法,使模型能够学习到更多段落或篇章级别的语义关联信息。在不同的神经网络模型上,分别引入了跨句上下文信息,并在不同领域的两个关系分类数据集上进行了实验,对比了引入跨句上下文信息与否对模型精度的影响,实验表明该方法能够有效提升神经网络模型的关系分类性能。此外,提出了一个基于四险一金领域政策法规文本的关系分类数据集Policy,用于验证在某些实际领域的关系分类任务中引入跨句上下文信息的必要性。

关键词：关系分类跨句上下文信息神经网络四险一金句子相似度

在线全文

学校读者我要写书评

暂无评论

关系信息增强的少样本关系分类原型表示研究

小型微型计算机系统 2023年

作者：王磊任鹏瑞瞿剑峰苏州大学计算机科学与技术学院

少样本关系分类任务旨在只使用极少量样本来识别出句子中给定实体对的关系，现有工作在FewRel 1.0数据集上进行了大量研究，并没有考虑“以上都不是”（none-of-the-above， NOTA）关系的检测问题，而已有的考虑NOTA关系的工作都是在间... 详细信息

少样本关系分类任务旨在只使用极少量样本来识别出句子中给定实体对的关系，现有工作在FewRel 1.0数据集上进行了大量研究，并没有考虑“以上都不是”（none-of-the-above， NOTA）关系的检测问题，而已有的考虑NOTA关系的工作都是在间接地计算查询样例与NOTA的相似度，这容易导致误差累积，模型性能因此表现不佳。为此，本文提出了一种基于关系信息增强的能够直接生成NOTA关系原型表示的方法。首先，本文提出了一种易混淆实例采样策略，通过挑选出信息丰富且易混淆的实例作为NOTA关系的支持数据并直接计算NOTA关系的原型表示；然后，本文使用了关系名和关系的描述信息作为外部关系信息，来提供给模型更多可用信息以生成更准确的原型表示。在广泛使用的FewRel 2.0数据集上的大量实验结果证明了本文提出的方法的优越性。

关键词：少样本学习关系分类原型网络易混淆实例关系信息

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

小样本关系分类研究综述

中文信息学报 2022年第2期36卷 1-11页

作者：胡晗刘鹏远北京语言大学信息科学学院北京100083 北京语言大学国家语言资源监测与研究平面媒体中心北京100083

关系分类作为构建结构化知识的重要一环,在自然语言处理领域备受关注。但在很多应用领域中(如医疗、金融等领域)收集充足的用于训练关系分类模型的数据十分困难。近年来,仅需要少量训练样本的小样本学习逐渐应用于关系分类研究中。该文... 详细信息

关系分类作为构建结构化知识的重要一环,在自然语言处理领域备受关注。但在很多应用领域中(如医疗、金融等领域)收集充足的用于训练关系分类模型的数据十分困难。近年来,仅需要少量训练样本的小样本学习逐渐应用于关系分类研究中。该文对近期小样本关系分类模型与方法进行了系统的综述。根据度量方法的不同,将现有方法分为原型式和分布式两大类。根据是否利用额外信息,将模型分为预训练和非预训练两大类。此外,除了常规设定下的小样本学习,该文还梳理了跨领域和稀缺资源场景下的小样本学习,探讨了目前小样本关系分类方法的局限性,并分析了跨领域小样本学习面临的技术挑战。最后,展望了小样本关系分类未来的发展方向。

关键词：关系分类小样本学习元学习

在线全文

学校读者我要写书评

暂无评论

面向数据结构课程的少样本关系分类研究

面向数据结构课程的少样本关系分类研究

作者：陈宁馨广州大学

学位级别：硕士

随着信息技术与教育的深度融合,数字化工具和平台正逐渐成为教育的重要组成部分。由于如今教育教学资源的逐渐增多,知识与知识之间的关系错综复杂,因此如何从海量信息中获取有效信息以提高教学质量和学习效果受到了教育领域的广泛关注... 详细信息

随着信息技术与教育的深度融合,数字化工具和平台正逐渐成为教育的重要组成部分。由于如今教育教学资源的逐渐增多,知识与知识之间的关系错综复杂,因此如何从海量信息中获取有效信息以提高教学质量和学习效果受到了教育领域的广泛关注。近年来,机器学习在关系分类方面表现出了优越的性能。基于机器学习的关系分类通常需要大量的数据进行训练,在教育领域里一些学科的数据集由于存在缺乏足够的样本等问题,难以使用传统机器学习方法实现相关资源的关系分类。知识图谱是一种结构化的知识表示方式,它将复杂的事物、概念、事件及其之间的关系以图的形式展现出来,可以将某一学科的知识点、概念、理论、实践等不同的教学资源进行有效的关联和整合。数据结构课程在科学教育中占据着重要的地位,所以如何更有效地提取并利用该领域的数据资源显得至关重要。为此,本文从少样本学习的角度出发,对数据结构知识的关系分类任务展开研究,主要研究内容如下:(1)构建一个用于关系分类任务的数据结构数据集。首先采取一种半自动化的数据集构建方法,结合基于词典的实体抽取、基于机器学习的实体抽取和人工标注等多个步骤,降低数据集构建成本,提高实体标注的效率。然后通过文本筛选和关系标注,构建具有明确实体关系的三元组。最后在数据预处理阶段,通过预训练模型获取实体的词嵌入,并采用过滤、格式调整和分词处理等技术,形成较完善的数据结构数据集。(2)构建基于注意力机制与掩码模块的少样本中文关系分类模型。为了建立一个适用于中文教育领域的少样本关系分类模型,进行了一系列策略研究,具体如下:首先,本文构建一个专门用于中文文本的预训练模型,以捕捉中文词语和句子的语义信息。其次,将知识增强网络内嵌到原型网络中,处理句子信息并通过注意力机制有效地融合实体词嵌入以及概念词汇的知识表示。此外,关系元学习网络通过关系元学习器和关系元更新器,有效地捕获实体与概念词的词嵌入与语义信息,同时借助掩码机制提升模型的鲁棒性。最后,采用加权处理和关系分类总损失函数来计算各模块输出,高效地完成少样本关系分类任务。该模型在中文《数据结构》课程数据集关系分类任务的准确率上达到了97.54%,该模型在进行关系分类任务时表现出了卓越的性能和准确性,能够准确地识别和分类各种不同的数据结构之间的关系。

关键词：关系分类少样本知识图谱数据结构注意力机制

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合细粒度实体类型的多特征关系分类算法

计算机工程与应用 2022年第22期58卷 65-71页

作者：左亚尧易彪黎文杰广东工业大学计算机学院广州510006

近年来,基于深度学习的关系分类多集中于注意力机制的改进或语义信息的优化两方面,但此类方法提取的特征往往较为单一,忽略了实体类型对关系分类的影响,且存在语义信息学习不完整等问题。提出一种新的关系分类方法Type-SBNE,针对实体类... 详细信息

近年来,基于深度学习的关系分类多集中于注意力机制的改进或语义信息的优化两方面,但此类方法提取的特征往往较为单一,忽略了实体类型对关系分类的影响,且存在语义信息学习不完整等问题。提出一种新的关系分类方法Type-SBNE,针对实体类型学习任务,引入细粒度的实体类型信息,并通过对每个实体类型中的所有实体向量取平均生成实体类向量,再分别通过实体与句意信息学习获得其对应的特征向量,通过拼接融合得到复合语义特征,最后采用全连接层和Softmax函数来预测实体对之间的关系。Type-SBN基于细粒度的实体类型信息,丰富了实体的特征,有效加强了每个实体在上下文中的表达。实验表明,Type-SBNE模型可更好地完成关系分类任务,效果优于对比方法。

关键词：关系分类 BERT Nyströmformer 细粒度实体类向量

在线全文

学校读者我要写书评

暂无评论

结合常识的图神经网络关系分类

结合常识的图神经网络关系分类

作者：贾晨晓吉林大学

学位级别：硕士

当前网络上存在着海量的、多源的无结构化文本数据,如何从中快速提取用户感兴趣且有用的内容是亟待解决的问题。研究者们提出使用自动化工具将无结构化数据转化成结构化数据的概念,关系抽取是其中至关重要的步骤之一。根据数据集的标记... 详细信息

当前网络上存在着海量的、多源的无结构化文本数据,如何从中快速提取用户感兴趣且有用的内容是亟待解决的问题。研究者们提出使用自动化工具将无结构化数据转化成结构化数据的概念,关系抽取是其中至关重要的步骤之一。根据数据集的标记程度可以将关系抽取分为有监督、半监督、无监督。针对有监督关系抽取即关系分类的相关算法研究有很多,主要集中于使用深度神经网络抽取待分类句子自身的语义特征,且均已取得了不错的性能效果。随着知识图谱等高级语料资源的出现,部分研究学者为了提升关系分类的性能,试图从知识图谱中获取与关系分类中的样本句子相关的信息来丰富关系分类模型的特征。但是当前关系分类任务中使用知识图谱的方式仍处于起步阶段,尚有待改进和完善的地方。比如:（1）当前的关系分类方法中绝大部分只使用知识图谱的词汇特征,忽略了图的结构特征;（2）尚未有充分利用知识图谱语义,构造出脱离句子文本语义的独立完整的关系分类模型;（3）当前的关系分类方法仅将知识图谱中的相关知识用于现有关系分类模型的特征,尚未实现知识图谱语义对关系分类模型的特征级、结果级和模型级的多方位融合。针对上述问题,本文展开结合外部知识图谱的关系分类方法的研究,并做出如下贡献:（1）提出了基于知识图谱的关系分类句子的样本重构。通过样本重构,构造待分类句子对应的知识图谱子图,捕获知识图谱中句子对应背景语境的词汇特征和图结构特征;（2）构建GCN-BLSTM-Attention网络编码知识图谱子图的背景符号特征。在此基础上,提出结合句子本身语义结构特征和知识图谱子图背景符号特征的关系分类模型DGCN（Dual Graph Convolutional Network）;（3）进一步地,提出脱离句子本身文本语义,仅基于知识图谱语义的KGCPR（Knowledge Graph Completion to Predict the Relation）关系分类模型,并使用知识图谱补全完成传统句子关系分类任务;（4）更进一步地,结合知识图谱语义和句子文本语义,提出基于注意力机制的特征级、结果级的多级融合关系分类模型MLFRC（Multi-Level Fusion Relation Classification）,达到进一步提升关系分类性能的效果。在关系分类数据集上进行了测试,实验结果表明:基于知识图谱的样本重构能够有效捕获待分类句子语境的语义结构特征。相较于仅使用知识图谱词汇特征的关系分类方法,尽管DGCN模型仅进行了特征级融合也能取得更优的分类效果。再者,针对KGCPR模型的实验结果表明,仅使用知识图谱语义的关系分类方法是可行的,且基于样本重构出的知识图谱上的关系补全任务能够等价完成传统句子关系分类任务。最后,针对MLFRC融合模型的实验结果表明,基于图谱语义和文本语义的方法之间可以起到相互指导相互校验的作用,从而进一步提升关系分类的性能。

关键词：关系分类图神经网络知识图谱知识图谱补全特征融合结果融合