检索结果-南通市图书馆

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

基于融合网络的HRRP目标识别方法

雷达科学与技术 2024年

作者：吴文静但波王中训烟台大学物理与电子信息学院烟台大学智慧电网先进技术山东省数据开放创新应用实验室海军航空大学

高分辨一维距离像（High Resolution Range Profile， HRRP）常应用于雷达自动目标识别领域，HRRP数据结构复杂，从中提取稳定可靠的特征是HRRP目标识别的关键，本文提出一种融合网络模型，用于舰船HRRP的目标识别。模型首先通过BERT (B... 详细信息

高分辨一维距离像（High Resolution Range Profile， HRRP）常应用于雷达自动目标识别领域，HRRP数据结构复杂，从中提取稳定可靠的特征是HRRP目标识别的关键，本文提出一种融合网络模型，用于舰船HRRP的目标识别。模型首先通过BERT (Bidirectional Encoder Representations from Transformers) 进行初步特征提取，再通过并行网络提取深度特征，左侧分支使用多尺度卷积神经网络 (Multi-scale Convolutional Neural Network， MCNN) 模块提取不同尺度的局部特征信息，并通过SE (Squeeze-and-Excitation) 对卷积结果进行优化，更好地关注数据中的关键信息，右侧分支使用双向门控循环网络 (Bidirectional Gated Recurrent Unit， bigru) 捕捉序列中的长期依赖关系，结合多头注意力模块可以更好地捕捉不同位置间的相关性，最后对结果进行拼接，最大程度的利用不同网络的优势，提升模型的分类性能，实验结果表明，模型能够有效学习HRRP序列中的特征，有较好的识别性能。

关键词：高分辨距离像 BERT模块 MCNN网络 bigru网络

基于词性特征的CNN_bigru文本分类模型

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机应用与软件 2021年第11期38卷 155-161页

作者：张小川刘连喜戴旭尧刘璐重庆理工大学两江人工智能学院重庆401135 重庆理工大学计算机科学与工程学院重庆400054

传统词嵌入通常将词项的不同上下文编码至同一参数空间,造成词向量未能有效辨别多义词的语义;CNN网络极易关注文本局部特征而忽略文本时序语义,bigru网络善于学习文本时序整体语义,造成关键局部特征提取不足。针对上述问题,提出一种基... 详细信息

传统词嵌入通常将词项的不同上下文编码至同一参数空间,造成词向量未能有效辨别多义词的语义;CNN网络极易关注文本局部特征而忽略文本时序语义,bigru网络善于学习文本时序整体语义,造成关键局部特征提取不足。针对上述问题,提出一种基于词性特征的CNNbigru文本分类模型。引入词性特征构建具有词性属性的词性向量;将词性向量与词向量交叉组合形成增强词向量,以改善文本表示;采用CNN网络获取增强词向量的局部表示,利用bigru网络捕获增强词向量的全局上下文表示;融合两模型学习的表示形成深度语义特征;将该深度语义特征连接至Softmax分类器完成分类预测。实验结果表明,该模型提高了分类准确率,具有良好的文本语义建模和识别能力。

关键词：词性特征词性向量增强词向量 CNN网络 bigru网络 CNN--_bigru模型

基于PSO-bigru模型的工业设备异常检测研究

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

基于PSO-BiGRU模型的工业设备异常检测研究

作者：袁德鑫东华大学

学位级别：硕士

工业设备的正常运转是保障工业流程的关键,通过有效的异常检测技术对工业设备进行诊断可以提高员工的检测效率,更重要的是可以避免因设备意外损坏造成的安全事故。可见,异常检测在整个工业生产过程中发挥重要作用。因为工业流程复杂,涉... 详细信息

工业设备的正常运转是保障工业流程的关键,通过有效的异常检测技术对工业设备进行诊断可以提高员工的检测效率,更重要的是可以避免因设备意外损坏造成的安全事故。可见,异常检测在整个工业生产过程中发挥重要作用。因为工业流程复杂,涉及到的设备很多,并且具有大量传感器进行实时监测,仅仅通过工人按照经验规则进行全面检测显得十分困难。得益于计算机与异常检测技术的不断提升,逐渐由传统的人工现场监管变成大规模的线上运维来对传感器产生的工业数据进行实时监控。为提高工业设备异常检测的效果,本文分别从异常检测的网络模型和阈值两个方面进行优化,并设计实现了工业设备异常检测系统。本文的具体研究工作分为以下四个内容:(1)实现了一种基于bigru-Attention模型的无监督异常检测方法。首先利用bigru网络同时提取数据的正向和反向特征信息,将两个方向信息进行学习与互补。其次针对设备会因为外在或者内在因素导致运行数据产生波动和噪声的问题,通过引入注意力机制,对特征维度信息进行挖掘,将重要的特征变量分配更多的注意力以突出关键特征对预测结果的影响。通过对比实验分析验证了该模型在异常检测上的效果优于其它对比实验模型。(2)提出了一种基于PSO-bigru-Attention模型的无监督异常检测方法。利用粒子群优化bigru-Attention模型的神经元数量、学习率和批处理大小参数,在节省人工调参时间的同时,尽可能得到更优的网络参数。实验表明通过粒子群优化后的模型具有更低的预测误差和更高的异常检测精确率。(3)提出了一种基于LOF-POT模型的异常检测自动阈值选择的方法。通过引入LOF算法和POT模型,结合邻近方法和统计方法对异常分数进行综合考量,将两者结合起来作为最终的异常判定结果。实验表明该模型的精确率和召回率相较于固定阈值有所提升,具有良好的自适应性。(4)设计并实现了工业设备异常检测系统。对设备异常检测进行需求分析与系统实现,将本文提出的异常检测方法运用到该系统之中。系统不仅支持对传感器数据的存储与查询,并且支持用户根据异常检测的需求创建不同的异常检测模型,实现了对传感器数据的管理和分析功能。

关键词：工业设备时间序列异常检测 bigru网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向突发事件的因果关系抽取研究

面向突发事件的因果关系抽取研究

作者：王旭安徽理工大学

学位级别：硕士

在如今海量信息的时代,事件作为人们认知世界的基本单元,它们间存在着包含因果在内的各种语义关系。挖掘事件间的因果关系是对事件深度理解的必然要求,尤其是在突发类事件中,因为其发生的突然性,往往对社会造成不可估量的损失,所以准确... 详细信息

在如今海量信息的时代,事件作为人们认知世界的基本单元,它们间存在着包含因果在内的各种语义关系。挖掘事件间的因果关系是对事件深度理解的必然要求,尤其是在突发类事件中,因为其发生的突然性,往往对社会造成不可估量的损失,所以准确的抽取突发事件中的因果关系对于预防突发事件和制定应对决策具有重要意义。目前的突发事件因果关系抽取研究中,经常存在着词特征不符合上下文语境,以及由于突发类事件文本中因果信息不足导致的因果关系边界识别效果较差的问题,本文通过分析该类事件的特点,利用深度学习技术和事件相关特征对因果关系的抽取进行研究。针对词特征不符文本语境的问题,本文首先提出了一种基于ELMO-Bi GRU-Attention的因果关系抽取模型,并在此模型的基础上,考虑到因果关系边界的识别效果较差的问题,又提出了一种基于多特征和CNN-Bi GRU-Attention的因果关系抽取模型。本文研究内容主要包含以下两个方面:(1)基于ELMO-Bi GRU-Attention模型的因果关系抽取研究。该模型中,首先,在词向量表示方面,通过引入ELMO词嵌入模型对预处理后的词序列进行表示,生成关联语境的动态词特征,再与word2vec模型表示的词向量融合,成为联合词向量,以解决词特征不符合语境的问题;然后,联合词向量传到由Bi GRU(bidirectional Gate Recurrent Unit,门控循环单元)和注意力机制结合构成的网络层,先经过Bi GRU层抽取全文语义特征,再经注意力机制层对特征分配权重,得到加权特征;最后,将加权特征放入softmax分类器进行分类,完成突发事件因果关系的抽取。实验最终取得了88.56%的F1值,表明利用该模型抽取突发事件的因果关系,能够丰富词汇特征信息,取得较好的抽取效果。(2)基于多特征和CNN-Bi GRU-Attention模型的因果关系抽取研究。在模型(1)的基础上,考虑到突发类事件文本中还存在着因果信息不足导致因果关系边界识别效果较差的问题,结合本文抽取的三种突发事件特征和CNN(Convolutional Neural Network,卷积神经网络),提出了基于多特征和CNN-Bi GRU-Attention的抽取模型。首先,在对语料库预处理时,分析该类事件的特点,抽取出事件的触发词、发生的时间顺序和因果指示词三种特征,并按照不同的权重融合成多特征向量,以丰富因果语义特征;然后,与模型(1)中生成的联合词向量共同作为模型的输入,先经CNN抽取事件文本的局部语义特征,后经Bi GRU抽取全局语义特征,再由注意力机制对特征加权;最后,利用softmax对加权特征进行分类从而完成抽取。在模型训练方面,本文还提出了一种基于误差反馈的学习算法,可以使模型在训练中进行权重自调整,以此优化模型训练。实验取得了91.86%的F1值,结果表明该模型在突发事件因果关系抽取上取得了理想的效果。图[21]表[14]参[65]

关键词：因果关系抽取突发事件联合词向量 bigru网络注意力机制 CNN 多特征融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于语义特征融合的突发事件抽取研究

基于语义特征融合的突发事件抽取研究

作者：陈彦杰安徽理工大学

学位级别：硕士

在大数据时代背景下,井喷式增长的网络信息在加快信息交互效率的同时,也增加了智能化分析数据的难度。如何迅速准确地从大量文本语料中获取突发事件信息对于突发事件的发布、预警以及为应急策略定制工作提供信息依据具有重要意义。目前... 详细信息

在大数据时代背景下,井喷式增长的网络信息在加快信息交互效率的同时,也增加了智能化分析数据的难度。如何迅速准确地从大量文本语料中获取突发事件信息对于突发事件的发布、预警以及为应急策略定制工作提供信息依据具有重要意义。目前突发事件抽取方法经常存在两个问题:一是在事件触发词抽取中,触发词在不同语境下表达的含义不一致,具有歧义性,容易误导触发词的事件类型判别;二是在事件要素抽取中,没有考虑要素之间深层的语义关系。本文深入分析了现有的突发事件抽取方法,针对事件触发词和事件要素抽取两个主要方面,提出基于语义特征融合的突发事件抽取方法,具体研究内容如下:(1)基于语义和语境特征融合的突发事件触发词抽取模型。该模型首先使用BERT预训练语言模型对预处理后的词序列进行表示,得到动态的语境词向量,再与Word2vec模型表示的静态词向量融合,构建联合向量,解决触发词歧义性问题;然后采用bigru网络抽取文本的前向和后向语义信息,获取上下文语义特征;接着引入图注意力网络进行语义信息提炼,去除冗余语义特征,从不同语义空间中抽取语义特征;最后采用CRF分类器对加权融合后的特征进行结果标注,完成突发事件触发词抽取。实验最终取得了74.72%的F1值,达到了较好的抽取效果。(2)基于语义和依存特征融合的突发事件要素抽取模型。该模型首先抽取出BERT词向量、词性标注、命名实体和bigru上下文语义四种特征,并融合成多特征向量,以丰富事件要素语义特征;然后构建突发事件的依存句法树,采用图注意力网络关注对事件要素抽取更重要的依存句法信息,获得句子中事件要素之间的依存关系;接着提出门控机制,通过加权实现上下文语义特征与图注意力网络的隐藏表示的动态融合,以保留有效特征;最后采用CRF联合解码的方式进行分类操作,完成突发事件要素抽取。实验取得了72.95%的F1值,结果表明该模型在突发事件要素抽取上取得了较好的效果。图[16]表[8]参[67]

关键词：突发事件抽取语义特征融合 BERT词向量 bigru网络图注意力网络

面向手势交互的可穿戴设备系统设计及识别算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向手势交互的可穿戴设备系统设计及识别算法研究

作者：钟传宇中国科学技术大学

学位级别：硕士

随着物联网、传感器与人工智能等技术领域的不断突破,智能可穿戴设备作为一类功能高度集成化的系统,已经在手语识别、虚拟现实、触觉反馈、机器人遥操作等多种手势交互场景中得到了广泛应用。但目前可穿戴设备的发展还存在诸多问题:一方... 详细信息

随着物联网、传感器与人工智能等技术领域的不断突破,智能可穿戴设备作为一类功能高度集成化的系统,已经在手语识别、虚拟现实、触觉反馈、机器人遥操作等多种手势交互场景中得到了广泛应用。但目前可穿戴设备的发展还存在诸多问题:一方面,部分可穿戴设备存在传感技术落后、配套软硬件设施不完善、可穿戴系统检测精度低且实时性不高等问题,无法满足用户的基本需求;另一方面,大多数可穿戴手势交互技术落后,识别处理算法精度不够高、泛化性差,导致实际应用不成熟。针对上述穿戴设备领域存在的问题,本文选取电子皮肤(E-skin)和表面肌电(sEMG)两种典型的可穿戴设备作为研究对象,设计与集成了两种可穿戴设备的软硬件系统,并依托自主设计的实验平台开展了面向手势交互应用的手势识别算法研究,以改善当前穿戴设备性能上的不足,同时提升用户的穿戴体验。本文的主要研究内容概括如下:(1)针对穿戴设备存在的传感技术落后、用户佩戴舒适性差的问题,本文设计了一种成本低、轻薄度高的柔性可拉伸电子皮肤手套。这种传感器是基于柔性印刷电子技术和柔性传感封装技术实现,主要由柔性基底、蛇形可拉伸导线、多通道可拉伸应变传感器和封装薄膜组成。电子皮肤能够完全适应人类的手部结构特征,不仅穿戴舒适性好,还能够连续动态地提取手指弯曲运动的信息。(2)针对配套软硬件设施不完善、信号检测精度低且系统实时性不高的问题,搭建了E-skin穿戴设备和sEMG穿戴设备共两套软硬件系统平台。对于E-skin穿戴设备,以实验室自主研发的电子皮肤手套为传感核心,首先设计了以STM32为主控模块的采集电路,并基于FreeRTOS实时系统完成了下位机采集程序设计;然后基于Qt框架完成上位机采集界面设计,实现对传感数据的采集、显示、保存和处理等功能。对于sEMG穿戴设备,以实验室已有的多通道肌电采集设备Biometrics DataLITE为硬件平台,基于QCustomPlot高性能可视化控件设计了实时性好、刷新率高、界面友好的sEMG采集软件平台。设计的两套可穿戴设备为后续手势识别算法研究和交互应用提供了实验验证平台。(3)为解决手势交互效果不佳的问题,本文设计了一种基于长短时记忆网络(LSTM)的连续手指动作识别方法,能够自动完成对E-skin时序信号的特征提取和分析,实现了对5种连续手指动作和4种手指状态(共9种手势)的实时识别,并且识别精度最高能够达到93.02%。此外还设计了 LSTM网络与有限状态模型结合的方法,实现了电子皮肤与二自由度机器手4种手部状态的在线手势交互,并且实际交互控制效果良好。实验结果验证了 E-skin设备在获取手部姿态信息方面的有效性,以及在手语识别、远程操作等手势交互场景的应用潜力。(4)为解决识别处理算法精度低、泛化性差的问题,本文设计了多流卷积融合、bigru两种结合注意力机制的网络模型用于手势动作的识别,通过对4通道sEMG信号分别进行时空特征提取,实现了对前臂19种常见手势动作最高92.89%的识别准确率。此外还基于受试者无关的策略,通过聚合与受试者无关的sEMG数据来训练模型的特征提取模块,以达到手势迁移学习的目的,并实现了最高89.52%的识别准确率。最后基于多流卷积融合网络进行了在线手势识别实验,利用图形化交互界面连续处理、更新和显示识别结果,并获得了 86.46%的平均识别准确率。实验结果验证了所设计的多流融合方法在提高特征提取效率、在线识别精度以及改善模型泛化性能方面的有效性。

关键词：可穿戴设备可穿戴系统设计 LSTM网络多流卷积融合网络 bigru网络手势识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向中文电子病历的命名实体识别研究

面向中文电子病历的命名实体识别研究

作者：杨彬安徽理工大学

学位级别：硕士

随着国内医疗信息化的发展,越来越多的医疗机构开始使用电子病历存储病患信息,由此也产生了海量的电子病历。电子病历命名实体识别能够挖掘出电子病历中存储的患者症状、疾病名称、检查措施等重要医疗信息,可用于建立智能电子病历系统,... 详细信息

随着国内医疗信息化的发展,越来越多的医疗机构开始使用电子病历存储病患信息,由此也产生了海量的电子病历。电子病历命名实体识别能够挖掘出电子病历中存储的患者症状、疾病名称、检查措施等重要医疗信息,可用于建立智能电子病历系统,协助医务人员进行诊断决策,促进医疗领域信息化建设,近年来受到越来越多学者的关注。目前的中文电子病历命名实体识别任务中,存在着实体类别不平衡和特征稀疏的问题。针对实体类别不平衡问题,本文首先提出了一种基于同义词过采样的中文电子病历命名实体识别模型(CSOT-BiLSTM-CRF)。在此模型的基础上,考虑到电子病历文本中存在的实体特征稀疏问题,又提出了一种基于多特征融合的中文电子病历命名实体识别模型(Fusionnput-bigru-CRF)。本文主要研究工作包括以下两个部分:(1)基于CSOT-BiLSTM-CRF的中文电子病历命名实体识别研究。首先通过结合同义词词林拓展版,改进了一种词语相似度计算方法,并根据该方法提出了一种结合同义词的过采样算法(Combine Synonyms Over-sampling Technique,CSOT);然后利用该算法对少数类进行过采样,以构建类别相对平衡数据集;接着为了捕获文本较长距离的依赖关系,将向量化后的数据输入到BiLSTM神经网络中提取上下文特征;最后将特征提取后的概率矩阵输入CRF中自动学习标注序列中隐藏的约束条件,并解码获取最终标注序列,完成命名实体识别。实验显示,CSOT-BiLSTM-CRF模型在完成命名实体识别任务的基础上,使两种少数类的F1值分别提升7.80%和8.95%。(2)基于Fusionnput-bigru-CRF的中文电子病历命名实体识别研究。在模型(1)的基础上,考虑到电子病历文本中还存在着实体特征稀疏问题,提出了一种Fusionnput-bigru-CRF识别模型。首先抽取出类别相对平衡数据集中实体的词边界、词性和依存分析特征,并将各特征映射成向量形式;然后通过向量维数为各特征向量赋予不同权重,并连接生成多特征融合向量,以增强实体语义表达;接着为了提高实验运行效率,将多特征融合向量输入到bigru神经网络,自动提取文本特征;最后利用条件随机场对实体标签进行预测,实现命名实体识别。实验显示,Fusionnput-bigru-CRF模型在CCKS2017数据集中的F1值达到89.27%,取得了不错的识别效果。图[19]表[14]参[64]

关键词：命名实体识别电子病历 BiLSTM网络条件随机场 bigru网络多特征融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的细粒度用户评论情感分析研究

基于深度学习的细粒度用户评论情感分析研究

作者：姚一泽西安电子科技大学

学位级别：硕士

随着电子商务的不断发展,网上订餐越来越普及,消费者在各种外卖平台上订餐或者在店里消费后,可以将对商家的评论发表到网站上,这些评论的细粒度情感分析对于挖掘用户情感、促进企业营销等具有重要的价值,如何充分挖掘、高效利用这些用... 详细信息

随着电子商务的不断发展,网上订餐越来越普及,消费者在各种外卖平台上订餐或者在店里消费后,可以将对商家的评论发表到网站上,这些评论的细粒度情感分析对于挖掘用户情感、促进企业营销等具有重要的价值,如何充分挖掘、高效利用这些用户评论信息显得十分重要。传统机器学习技术对用户评论文本的特征提取能力有限,不足以应对其复杂的语句结构,需要使用更优秀的模型提高其分类性能。本文主要基于深度学习技术,对用户评论文本进行细粒度情感分析研究,完成的相关工作内容如下:1.对文本数据进行预处理,解决数据集类别分布不均衡问题,将文本向量化表示。在中文分词阶段,基于Jieba分词工具,利用扩充词库、合并单词等方法提高分词准确率,基于谷歌开源工具Word2Vec,采用字词向量联合表示的方法构建文本词向量。实验表明,该方法优于单独基于分词和字符的方法,生成的特征向量可以更好地表示文本信息。2.研究了文本情感分类任务中Text RNN模型的原理及结构,并提出基于注意力机制的改进Text RNN情感分析模型:ATT-Text RNN,该模型引入改进的多级Attention机制,针对文字级Attention和句子级Attention进行特征提取,使用GRU门控循环单元代替LSTM,减少模型参数,在嵌入层将文本转化为向量表示后,通过Bi GRU网络进行特征筛选,融合Attention层和池化层特征向量,输入分类器中得到模型分类结果。实验结果表明,本文改进模型有效提升了文本细粒度情感极性分类的性能,对评论文本的情感倾向预测有一定的参考价值。3.完成改进Text RNN模型的训练与分析,对模型参数设置很多对比实验,如词向量维度、epoch次数等,提高模型分类的效果以及在大型语料库中的训练速度,采用预训练词向量,使模型能够快速收敛,利用Dropout技术和L2正则化方法等防止过拟合。通过ATT-Text RNN模型与Text RNN模型、Text CNN模型的对比实验,表明该算法在文本情感分析上具有更好的分类性能,并且本文改进模型能够明显提高文本的情感分析效果,F1值达到了71.1%。4.基于linux平台设计了一个高效准确的评论文本细粒度情感分析系统,该系统使用Tkinter开发用户界面,对文本数据进行预处理后,利用本文改进的情感分析模型对评论文本进行细粒度情感判别。通过实验表明,本系统可以有效地预测用户评论文本各个细粒度要素的情感极性,对餐厅领域的评论文本情感分析具有现实意义。

关键词：深度学习情感分析 bigru网络注意力机制词向量

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的法律文本实体关系抽取研究

基于深度学习的法律文本实体关系抽取研究

作者：王凌云湖北工业大学

学位级别：硕士

随着互联网的发展,电子法律文本越来越多。如何快速地从海量法律文本中抽取关键信息,帮助人们理解法律知识和提高办案效率成为当前一个研究热点。实体和实体关系是文本中的关键信息,提取出法律案例文本中的实体和实体关系,可以为构建案... 详细信息

随着互联网的发展,电子法律文本越来越多。如何快速地从海量法律文本中抽取关键信息,帮助人们理解法律知识和提高办案效率成为当前一个研究热点。实体和实体关系是文本中的关键信息,提取出法律案例文本中的实体和实体关系,可以为构建案例知识图谱提供数据支撑。目前实体关系抽取在法律领域应用的主要问题有,中文案例文本中没有清晰的边界符来标识词的边界,而词汇信息通常在确定实体边界中起着至关重要的作用。当前的实体关系抽取模型缺少对句子中词特征信息的获取,结构复杂。另外,部分案例文本存在多个实体关系重叠的现象,即一个实体对应多种关系,影响了实体关系抽取的准确率。针对以上问题,本文对实体关系抽取方法与技术进行研究,并应用于案例文本实体关系抽取工作中。具体研究内容如下:(1)提出了一种基于多注意力机制和Bi GRU网络的实体关系抽取模型(Multi Att-Bi GRU)。模型引入词级别的自注意力机制来生成句向量,可以在不引入额外信息的基础上提取句子中词的特征信息,然后通过句子级别的注意力机制降低噪音句子的权重,采用Bi GRU作为主要的神经网络结构,减少参数设置,提升训练效率。通过设置多组对照实验,对比基准模型,模型的准确率提升了2.13%,F1值提升了2.67%。实验结果证明基于多注意力机制和Bi GRU网络的实体关系抽取模型是有效的。(2)在上述模型的基础上提出一种基于层次标注的实体重叠关系抽取模型,将关系抽取任务转化为序列标记任务,不再将关系抽取过程看作实体对的离散标签,而是将其看作两个实体的映射关系,并使用一种二进制标注结构对实体和关系进行标记。模型采用膨胀卷积网络与Bi GRU网络组合的方式来进行编码,可以更充分地提取文本中的语义特征,并引入目标词作为先验特征来进行关系提取。实验结果表明,在案例数据集上,模型的准确率达到83.65%;在NYT数据集上,模型较基准模型,准确率提升了6.4%,F1值提升了8.9%,证明模型可以有效地提升重叠关系识别的准确率。

关键词：关系抽取 bigru网络注意力机制膨胀卷积网络重叠关系法律案例文本