检索结果-南通市图书馆

中国科学：信息科学 2018年第11期48卷 1533-1545页

作者：马语丹赵义金婧万怀宇北京交通大学计算机与信息技术学院交通数据分析与挖掘北京市重点实验室北京100044

实体关系抽取是信息抽取领域的重要任务之一,也是知识图谱构建的一个关键环节.现有的关系抽取方法大多都是围绕实体对从句子中抽取上下文语义特征,然后进行关系分类,这忽略了实体在整个语料集中的全局上下文特征.本文提出了一种新颖的... 详细信息

实体关系抽取是信息抽取领域的重要任务之一,也是知识图谱构建的一个关键环节.现有的关系抽取方法大多都是围绕实体对从句子中抽取上下文语义特征,然后进行关系分类,这忽略了实体在整个语料集中的全局上下文特征.本文提出了一种新颖的结合实体共现信息与句子语义信息的神经网络(CNSSNN)模型,用于实体关系抽取.该模型首先构造整个语料集蕴含的实体共现关系网络,并通过引入注意力机制有侧重地提取实体的网络环境信息,从而为各个实体生成语料级全局上下文特征,同时利用双向门控循环单元网络(bi-GRU)为实体对提取句子级上下文语义特征,最后将语料级特征和句子级特征结合起来,进行实体关系抽取.在公开数据集和人工标注的数据集上的实验结果表明,本文提出的方法其准确率和召回率要明显优于其他现有方法.

关键词：信息抽取实体关系抽取实体共现网络注意力机制门控循环单元

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

结合实体共现信息与句子语义特征的关系抽取

结合实体共现信息与句子语义特征的关系抽取

引用

作者：马语丹北京交通大学

学位级别：硕士

随着信息技术的迅猛发展,互联网的广泛使用降低了信息的生产和传播成本,为群众获取信息带来了极大的便利。但随之而来的信息爆炸等问题,也给有效信息的获取和管理带来了艰巨的挑战。因此,如何从互联网上海量文字信息中,采用信息抽取方... 详细信息

随着信息技术的迅猛发展,互联网的广泛使用降低了信息的生产和传播成本,为群众获取信息带来了极大的便利。但随之而来的信息爆炸等问题,也给有效信息的获取和管理带来了艰巨的挑战。因此,如何从互联网上海量文字信息中,采用信息抽取方法获取信息的本质,服务于后续的信息管理与应用,具有重要意义。关系抽取作为信息抽取领域的重要任务,得到了研究学者的广泛关注。目前主流的关系抽取方法多以实体对所在句子为输入,使用神经网络的方法,为实体对提取语义特征,或加入外部信息作为补充,来进行关系分类。这类方法忽略了语料中可能存在句子长度较短、外部信息获取困难等问题。为了克服这些问题,本文从语料集的角度出发,认为其包含了对关系抽取可能有用的全局信息,并以此为基础提出了新颖的关系抽取方法,通过构建实体共现网络,同时提取全局上下文特征和句子级上下文特征,充分挖掘语料集中的宏观和微观上下文信息,实现关系分类。首先,标注了两个中文关系分类数据集。当前关系分类实验数据集较为匮乏,己有研究中使用的数据集多为英文数据集,如SemEval-2010和NYT-2010。考虑到中文和英文之间存在一定的差异,根据百度百科和新闻语料人工标注了两个用于关系分类的中文数据集,目前己将数据集开源。其次,提出了融合关系影响力与句子级特征的关系抽取模型(RASNN)。考虑到关系与关系之间的相互影响和制约,语料集中任意实体对之间的弱关系都可能成为关系分类的依据,本文提出了关系影响力的概念,通过使用注意力机制为实体共现网络中的共现关系计算影响力权重,并结合句子级上下文特征进行关系分类。该模型能够从宏观和微观两个角度为实体对抽取上下文特征,弥补了可能存在的因句子长度太短而造成的上下文信息不充分的问题。接着,提出了基于实体共现网络与句子语义信息的关系抽取模型(CNSSNN)。鉴于关系有强弱之分,实体的不同共现实体也应该有不同的重要程度,CNSSNN模型采用注意力机制为实体的不同邻居实体和实体对的共同邻居实体计算关系权重,并通过Bi-GRU和自注意力机制提取句子级上下文特征,深度挖掘实体对的宏观语料级上下文特征和微观句子级上下文特征。最后,将本文提出的RASNN模型、CNSSNN模型和当前主流的关系抽取方法在四个数据集上进行了对比实验和分析,结果表明,本文提出的模型能够通过实体共现网络挖掘实体对的语料级上下文特征,为句子级上下文特征提供有效的补充,关系抽取效果明显优于现有的关系抽取方法。

关键词：关系抽取实体共现网络注意力机制关系分类

来源：

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

基于自然语言处理的教育领域知识图谱的构建

基于自然语言处理的教育领域知识图谱的构建

引用

作者：宋梦雪青岛理工大学

学位级别：硕士

随着互联网时代的迅猛发展,如何能高效快速地从海量文本中获取关键知识是当下急需解决的问题。知识图谱作为一种语义网络,覆盖于各个领域,可以将海量信息以实体关系三元组的方式呈现给用户,使用户可以快速准确地获取所需信息。但如今面... 详细信息

随着互联网时代的迅猛发展,如何能高效快速地从海量文本中获取关键知识是当下急需解决的问题。知识图谱作为一种语义网络,覆盖于各个领域,可以将海量信息以实体关系三元组的方式呈现给用户,使用户可以快速准确地获取所需信息。但如今面向领域的知识图谱构建工作尚处于起步时期,有关研究较为匮乏。因此本文主要面向于教育领域展开研究,在此基础上深入研究实体关系抽取算法,最后完成图谱的构建,具体工作如下:(1)扩充领域词典:主要选取搜狗语料库与THUCNews数据集中有关教育的语料进行预处理,进而进行扩展词典的工作:首先使用Text Rank与word2vec相结合的方法对教育词典进行扩充;然后根据领域词汇的特点定义一套词性标注规则,使用基于合成词的方法进行扩充,结合两种方法最后得到一个自定义词典。(2)命名实体识别:本文使用Bi LSTM＿CRF模型进行命名实体识别任务,相比于单向LSTM,双向LSTM能更加有效地学习上下文信息。在进行实验之前为了贴合领域,将构建成功后的自定义词典以BIO标注方法加入到标注数据集中。(3)关系抽取:由于目前未有较成熟的教育领域关系抽取标注数据集可供参考,因此首先人工构建一个领域标注数据集,选取部分教育语料进行标注,包括:“就读”、“就业”、“共事”、“师生”与“其他”共五类关系标签。然后在基于深度学习的基础上结合了实体共现网络,提出了一种改进的关系抽取模型(Cooc＿Att＿Bi LSTM)。该模型共分为三部分:首先采用基于Bi LSTM注意力机制的关系抽取方法,充分考虑词性标注、依存句法、语义和相对位置特征,来提取句子级语义特征;其次为了充分考虑全文信息,结合实体共现网络提取语料级全局特征,使用共现网络中各实体的相邻节点信息来表示上下文信息;最后进行实体关系分类。(4)构建图谱:将实体对与关系规则化为实体关系三元组,使用Neo4j图数据库完成可视化工作和简单查询功能。

关键词：实体关系抽取知识图谱双向长短期记忆网络实体共现网络 Neo4j

来源：

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

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：