检索结果-南通市图书馆

Satellite and instrument entity recognition using a pre-trained language model with distant supervision

International Journal of Digital Earth 2022年第1期15卷 1290-1304页

作者： Ming Lin Meng Jin Yufu Liu Yuqi Bai Department of Earth System Science Institute for Global Change StudiesMinistry of Education Ecological Field Station for East Asian Migratory BirdsTsinghua UniversityBeijingPeople’s Republic of China

Earth observations,especially satellite data,have produced a wealth of methods and results in meeting global challenges,often presented in unstructured texts such as papers or *** extraction of satellite and instrument entities from these unstructured texts can help to link and reuse Earth observation *** direct use of an existing dictionary to extract satellite and instrument entities suffers from the problem of poor matching,which leads to low *** this study,we present a named entity recognition model to automatically extract satellite and instrument entities from unstructured *** to the lack of manually labeled data,we apply distant supervision to automatically generate labeled training ***,we fine-tune the pre-trained language model with early stopping and a weighted cross-entropy loss *** propose the dictionary-based self-training method to correct the incomplete annotations caused by the distant supervision *** demonstrate that our method achieves significant improvements in both precision and recall compared to dictionary matching or standard adaptation of pre-trained language models.

关键词： Earth observation named entity recognition pre-trained language model distant supervision dictionary-based self-training

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

结合聚类去噪和类型约束的distant supervision关系抽取方法

结合聚类去噪和类型约束的Distant Supervision关系抽取方法

引用

作者：朱兆龙吉林大学

学位级别：硕士

随着互联网的快速发展，互联网上的内容越来越多，其中包含了大量有用的信息。信息抽取作为从这些内容中抽取结构化信息的工具变得越来越重要。并且在垂直搜索、语义Web等领域展示了其应用价值。经过近20余年的发展，如何从开放领域、... 详细信息

随着互联网的快速发展，互联网上的内容越来越多，其中包含了大量有用的信息。信息抽取作为从这些内容中抽取结构化信息的工具变得越来越重要。并且在垂直搜索、语义Web等领域展示了其应用价值。经过近20余年的发展，如何从开放领域、大规模的文本内容中抽取关系实例，成为了信息抽取学者们研究的一个热点。在关系抽取任务中，基于监督模型的方法展示了其有效性，然而该方法需要人工标注的训练集，这在开放领域环境中比较耗时耗力。因此，研究者们提出一种称为distant supervision的方法，该方法使用了一个知识库和一个文本集，并且针对每一个出现在知识库的某个关系实例中的实体对，从文本集中收集同时包含了这两个实体的句子，并从这些句子中抽取文本特征，用来训练关系分类器，从而避免了人工标注训练集。从中可以看出distant supervision方法有如下假设“如果已知两个实体存在某种语义关系，那么所有包含这两个实体的句子都潜在地表达了它们之间的语义关系”。然而，distant supervision方法的假设并不总是成立，而且会引入噪音数据，从而影响关系分类器的准确率。而且，该方法在训练关系分类器时，所用的特征只是从包含了两个实体的句子中抽取的特征，如果能收集到更多关于两个实体本身的特征，将会提高系统的准确率。针对上述问题本文的工作如下：（1）提出一种聚类去噪的方法，用于减少由于distant supervision方法的假设所引入的噪音数据。在聚类去噪过程中，针对每一个出现在知识库的某个关系实例中的实体对，我们将收集到的句子集合中未能表达相应语义关系的句子定义为噪音数据，通过聚类和寻找表达语义关系的句子模式，选出对训练关系分类器有利的句子，从而减少噪音数据。（2）提出两种结合实体类型特征的关系抽取方法。首先通过启发式方法获得关于实体的句子集合，并从中抽取出关于实体类型的文本特征。其次，提出了两种利用该实体类型特征的方法：第一，我们把实体类型特征加入到原来的关系特征集合中，把两类不同的特征同等对待，从而训练关系分类器;第二，本文给出一种类型检查的方式来利用实体类型特征信息，即单独使用实体类型特征信息训练一个实体类型分类器，用原有的关系特征信息训练关系分类器，然后在抽取新的关系实例时用实体类型分类器对关系分类器识别的关系实例进行实体类型的检查和约束。实验结果表明本文提出的两种方法能够有效的提高关系抽取系统的准确率，然而基于类型检查的方法会在一定程度上降低召回率。但是由于互联网内容的大规模和冗余性，研究者对准确率的关注比召回率要高。

关键词：语义Web 关系抽取 distant supervision 去噪

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

Relational Turkish Text Classification Using distant Supervised Entities and Relations

引用

Computers, Materials & Continua 2024年第5期79卷 2209-2228页

作者： Halil Ibrahim Okur Kadir Tohma Ahmet Sertbas Department of Computer Engineering Faculty of Engineering and Natural SciencesIskenderun Technical UniversityHatay31200Turkey Department of Computer Engineering Faculty of EngineeringIstanbul University-CerrahpasaIstanbul34310Turkey

Text classification,by automatically categorizing texts,is one of the foundational elements of natural language processing *** study investigates how text classification performance can be improved through the integration of entity-relation information obtained from the Wikidata(Wikipedia database)database and BERTbased pre-trained Named Entity Recognition(NER)*** on a significant challenge in the field of natural language processing(NLP),the research evaluates the potential of using entity and relational information to extract deeper meaning from *** adopted methodology encompasses a comprehensive approach that includes text preprocessing,entity detection,and the integration of relational *** conducted on text datasets in both Turkish and English assess the performance of various classification algorithms,such as Support Vector Machine,Logistic Regression,Deep Neural Network,and Convolutional Neural *** results indicate that the integration of entity-relation information can significantly enhance algorithmperformance in text classification tasks and offer new perspectives for information extraction and semantic analysis in NLP *** of this work include the utilization of distant supervised entity-relation information in Turkish text classification,the development of a Turkish relational text classification approach,and the creation of a relational *** demonstrating potential performance improvements through the integration of distant supervised entity-relation information into Turkish text classification,this research aims to support the effectiveness of text-based artificial intelligence(AI)***,it makes significant contributions to the development ofmultilingual text classification systems by adding deeper meaning to text content,thereby providing a valuable addition to current NLP studies and setting an important reference point for future research.

关键词： Text classification relation extraction NER distant supervision deep learning machine learning

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

Adversarial Learning for distant Supervised Relation Extraction

引用

Computers, Materials & Continua 2018年第4期55卷 121-136页

作者： Daojian Zeng Yuan Dai Feng Li R.Simon Sherratt Jin Wang Hunan Provincial Key Laboratory of Intelligent Processing of Big Data on Transportation School of Computer&Communication EngineeringChangsha University of Science&TechnologyChangsha410114P.R.China Department of Biomedical Engineering University of ReadingUK. School of Computer&Communication Engineering Changsha University of Science&TechnologyChangsha410114P.R.China.

Recently,many researchers have concentrated on using neural networks to learn features for distant Supervised Relation Extraction(DSRE).These approaches generally use a softmax classifier with cross-entropy loss,which inevitably brings the noise of artificial class NA into classification *** address the shortcoming,the classifier with ranking loss is employed to *** randomly selecting a relation or heuristically selecting the highest score among all incorrect relations are two common methods for generating a negative class in the ranking loss ***,the majority of the generated negative class can be easily discriminated from positive class and will contribute little towards the *** by Generative Adversarial Networks(GANs),we use a neural network as the negative class generator to assist the training of our desired model,which acts as the discriminator in *** the alternating optimization of generator and discriminator,the generator is learning to produce more and more discriminable negative classes and the discriminator has to become better as *** framework is independent of the concrete form of generator and *** this paper,we use a two layers fully-connected neural network as the generator and the Piecewise Convolutional Neural Networks(PCNNs)as the *** results show that our proposed GAN-based method is effective and performs better than state-of-the-art methods.

关键词： Relation extraction generative adversarial networks distant supervision piecewise convolutional neural networks pair-wise ranking loss

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

特定领域实体属性关系抽取方法研究

特定领域实体属性关系抽取方法研究

引用

作者：尚琪昆明理工大学

学位级别：硕士

实体关系抽取是信息抽取的重要部分,它能够识别出实体之间的语义关系,作为语义网的基础,实体关系抽取被广泛应用在自动问答系统,信息检索,机器翻译等领域。关系抽取还是构建知识图谱的重要基础,随着万维网转变成语义网,知识图谱的构建... 详细信息

实体关系抽取是信息抽取的重要部分,它能够识别出实体之间的语义关系,作为语义网的基础,实体关系抽取被广泛应用在自动问答系统,信息检索,机器翻译等领域。关系抽取还是构建知识图谱的重要基础,随着万维网转变成语义网,知识图谱的构建变得尤为重要。领域实体间的属性关系是构建知识图谱的重要组成部分之一。对特定领域而言,领域实体属性关系对表达实体之间的语义关系有着重要的意义。本文主要针对中文领域的实体属性关系抽取,作了以下工作:(1)基于distant supervision(距离监督)的领域实体属性关系抽取方法,基于领域知识库和相关文本集来获取实体属性关系。关系类型为:景点-实例-属性值。针对旅游领域中的“景点”这个类型,抽取出与“景点”这个类型相关属性,如门票价格、面积等等。距离监督就是通过将知识库映射到文本集中实现关系抽取的过程,即如果一个实体对出现在知识库中,则将文本集中包含这两个实体的句子全部抽取出来,从这些句子中提取特征,训练分类器。本文首先构建一个小型的中文旅游领域知识库,在知识库中预先定义好属性关系和关系实例,并用这个知识库对应地从百度百科或维基百科网页上爬取得到的文本集。本文使用多种特征以提高分类器的性能,提高分类的性能。(2)基于卷积神经网络的领域实体属性关系抽取方法研究。本文提出基于卷积神经网络对领域实体属性关系进行抽取,其中属性关系类型为实例-属性、属性-属性值、实例-属性值。利用卷积神经网络的自动学习表征领域实体属性关系的句法特征、层级特征以及实体所在句子的文本特征,形成特征向量,加入到卷积神经网络中,训练实体属性关系分类模型。实验结果表明,所提出的方法能有效提高实体属性关系抽取性能。

关键词：实体关系抽取 distant supervision 卷积神经网络实体属性多特征

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

面向多源数据的信息抽取方法研究

面向多源数据的信息抽取方法研究

引用

作者：林也莉华东理工大学

学位级别：硕士

随着互联网技术的发展,网络电子文档的数量规模越来越庞大。这些海量的电子文档中包含着许多用户需要的信息。通常情况下,能够被用户直接使用的信息都是以结构化的形式出现的。但是在大部分电子文档中,用户需要的信息都隐含在大量的无... 详细信息

随着互联网技术的发展,网络电子文档的数量规模越来越庞大。这些海量的电子文档中包含着许多用户需要的信息。通常情况下,能够被用户直接使用的信息都是以结构化的形式出现的。但是在大部分电子文档中,用户需要的信息都隐含在大量的无结构化页面或半结构化文本中,因此用户很难直接获取这些信息。为了更好地利用电子文档中包含的海量信息,我们首先需要从这些文档中抽取出用户所需要的信息,并将其以结构化的形式存储。本课题主要研究在企业招股说明书中抽取出与该企业满足竞争关系的命名实体,即竞争对手公司名。通过对文档特征的观察,我们发现企业招股说明书中具有专门描述竞争对手的章节,我们将该章节命名为竞争对手描述章节(CDS)。而CDS中描述竞争对手的文本形式有三种：列表型、表格型和自由文本型。不同类型的CDS,具有不同等级的困难且需要不同的抽取方法,因此我们提出了一种多策略学习算法来解决这个多源数据上的信息抽取任务。本文的工作主要分为两部分：竞争对手描述章节的检测和多策略学习算法。前一部分是为了对企业招股说明书中的描述竞争对手的章节进行定位,而后一部分的工作是从定位好的章节中抽取出竞争对手公司名。对于CDS的定位,我们首先使用启发式规则来抽取出大部分语料中的CDS,然后对抽取出的CDS进行正负例标注,接着对所有章节进行特征选择,选取出具有代表性的词语集合,最后使用分类器对这些章节进行分类,从而找到对应的CDS。而多策略学习算法的思想是：首先从列表型的语料中抽取出竞争对手,然后将抽取出来的结果作为种子对其他两种类型的语料进行标注,最后利用标注后的语料自动学习生成抽取模型,从而boost地从其他两种语料中抽取出竞争对手公司名。因为在这个过程中,我们使用distant supervision的方法来进行标注语料,所以避免了大量人工标注的工作。我们的方法的好处就是,在命名实体识别阶段不需要进行竞争对手识别。实验结果表明,多策略学习算法远远优于传统的命名实体识别方法。

关键词：竞争对手挖掘无监督学习 distant supervision 包装器归纳

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

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

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：