检索结果-内蒙古大学图书馆

北京大学学报（自然科学版） 2022年第1期58卷 69-76页

作者：苏丰龙孙承哲景宁国防科技大学电子科学学院长沙410073

基于传统卷积框架的实体抽取方法,由于受到卷积感受野大小的控制,当前词与上下文的关联程度有限,对实体词在整个句子中的语义欠考虑,识别效果不佳。针对这一问题,提出一种基于残差门卷积的实体识别方法,利用膨胀卷积和带残差的门控线性... 详细信息

基于传统卷积框架的实体抽取方法,由于受到卷积感受野大小的控制,当前词与上下文的关联程度有限,对实体词在整个句子中的语义欠考虑,识别效果不佳。针对这一问题,提出一种基于残差门卷积的实体识别方法,利用膨胀卷积和带残差的门控线性单元,从多个时序维度同步考虑词间的语义关联,借助门控单元调整流向下一层神经元的信息量,缓解跨层传播的梯度消失问题,同时结合注意力机制捕捉词间的相关语义。在公开命名实体识别数据集和专业领域数据集上运行结果表明,与传统的实体抽取框架相比,基于残差门卷积命名实体算法的速度和精度都有较强的竞争优势,体现出算法的优越性和强鲁棒性。

关键词：实体抽取残差门卷积梯度消失注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于改进BERT算法的专利实体抽取研究——以石墨烯为例

引用

电子科技大学学报 2020年第6期49卷 883-890页

作者：李建靖富营刘军电子科技大学经济与管理学院成都610054 重庆工商大学国家智能制造服务国际科技合作基地重庆南岸区400067

实体关系抽取是判断专利新颖性的核心环节,传统的实体关系抽取都是采用串行方式来进行,有很大的局限性。该文利用两种改进的BERT算法研究了专利实体关系抽取的技术演化。一种是将中文特征和句法语义特征相结合的新算法——基于改进的BER... 详细信息

实体关系抽取是判断专利新颖性的核心环节,传统的实体关系抽取都是采用串行方式来进行,有很大的局限性。该文利用两种改进的BERT算法研究了专利实体关系抽取的技术演化。一种是将中文特征和句法语义特征相结合的新算法——基于改进的BERT-BiLSTM-CRF命名实体识别算法;另一种是将注意力机制与句法语义特征相结合的新算法——基于注意力机制与语义结合的实体关系抽取算法。最后以石墨烯制备技术为例,利用数值实验说明改进的两种算法能够高效分析专利的内容,揭示石墨烯企业技术的动态演化过程。

关键词：演化分析实体抽取石墨烯技术专利

来源：评论

学校读者我要写书评

暂无评论

远程监督的自适应实体抽取

引用

哈尔滨工程大学学报 2022年第4期43卷 564-571页

作者：葛亮张艺璇李伟平中国科学技术大学计算机科学与技术学院安徽合肥230027 北京大学软件与微电子学院北京100871

针对传统领域知识实体抽取算法主要依赖专家的专业知识,需要的标注工作量较大,本文提出了基于远程监督的实体抽取算法并应用于粮油存储领域。算法在PU学习的框架下,通过判定和分类2个阶段抽取实体,利用双向长短期记忆网络进行二分类实... 详细信息

针对传统领域知识实体抽取算法主要依赖专家的专业知识,需要的标注工作量较大,本文提出了基于远程监督的实体抽取算法并应用于粮油存储领域。算法在PU学习的框架下,通过判定和分类2个阶段抽取实体,利用双向长短期记忆网络进行二分类实体判别。再通过全连接网络实体类型判别,构建了一个粮油领域知识图谱。研究表明:本算法可以应用于粮油存储领域的知识图谱构建,适用于训练实体样本较少的实体抽取任务,能够缩小使用双向长短期记忆网络算法进行实体抽取任务所需的语料规模,并在使用更小语料规模的情况下达到与经典双向长短期记忆网络算法相当的实体抽取效果。

关键词：领域知识图谱本体设计实体抽取远程监督深度学习 PU学习双向长短期记忆网络知识图谱构建

来源：评论

学校读者我要写书评

暂无评论

基于键规则的XML实体抽取方法

引用

计算机研究与发展 2014年第1期51卷 64-75页

作者：刘显敏李建中哈尔滨工业大学计算机科学与技术学院哈尔滨150001

XML上实体抽取问题的任务是要从XML数据中抽取出描述现实世界某个物理实体的数据实体.利用XML查询提供实体的表示方法,基于键规则中有关实体的语义信息,给出了求解XML上实体抽取问题的基于键规则的实体抽取(key-based entity extraction... 详细信息

XML上实体抽取问题的任务是要从XML数据中抽取出描述现实世界某个物理实体的数据实体.利用XML查询提供实体的表示方法,基于键规则中有关实体的语义信息,给出了求解XML上实体抽取问题的基于键规则的实体抽取(key-based entity extraction,KEE)方法.KEE方法利用查询松弛技术,自动地生成抽取实体的候选查询集合,基于相似性测度,从候选查询中选取适用于抽取实体的查询集合.作为KEE方法的一个具体实现,SharingEE算法利用标准化的查询松弛技术,减少了候选查询中的冗余,利用基于自动机的查询处理技术,在多个候选查询之间共享中间结果,从而减少计算开销.在真实和模拟数据上运行的实验验证了算法的效率和有效性.实验结果表明,KEE方法可以很好地解决实体抽取问题,并可以扩展到大规模数据上.

关键词： XML数据键规则实体抽取查询松弛共享计算

来源：评论

学校读者我要写书评

暂无评论

融合Focal Loss的网络威胁情报实体抽取

引用

通信学报 2022年第7期43卷 85-92页

作者：郭渊博李勇飞陈庆礼方晨胡阳阳信息工程大学密码工程学院河南郑州450001 加利福尼亚大学河滨分校河滨CA92521

网络威胁情报(CTI)蕴含丰富的威胁行为知识,及时分析处理威胁情报能够促进网络攻防由被动防御向主动防御的转变。当前多数威胁情报以自然语言文本的形式存在,包含大量非结构化数据,需要利用实体抽取方法将其转换为结构化数据以便后续处... 详细信息

网络威胁情报(CTI)蕴含丰富的威胁行为知识,及时分析处理威胁情报能够促进网络攻防由被动防御向主动防御的转变。当前多数威胁情报以自然语言文本的形式存在,包含大量非结构化数据,需要利用实体抽取方法将其转换为结构化数据以便后续处理。然而,由于威胁情报中包含大量漏洞名称、恶意软件、APT组织等专业词汇,且实体分布极不平衡,导致通用领域的实体抽取方法应用于威胁情报时受到极大限制。为此,提出一种融合Focal Loss的实体抽取模型,通过引入平衡因子和调制系数改进交叉熵损失函数,平衡样本分布。此外,针对威胁情报结构复杂且来源广泛,包含大量专业词汇的问题,在模型中增加单词和字符特征,有效改善了威胁情报中的OOV问题。实验结果表明,相较于现有主流模型BiLSTM和BiLSTM-CRF,所提模型在F1分数上分别提高了7.07%和4.79%,验证了引入Focal Loss和字符特征的有效性。

关键词：网络安全威胁情报实体抽取样本不平衡

来源：评论

学校读者我要写书评

暂无评论

D-EEM:一种基于DOM树的Deep Web实体抽取机制

引用

计算机研究与发展 2010年第5期47卷 858-865页

作者：寇月李冬申德荣于戈聂铁铮东北大学信息科学与工程学院沈阳110004 东软集团商用软件事业部沈阳110179

随着Web数据库的不断增长,通过对Deep Web的访问逐渐成为获取信息的主要手段.如何有效地抽取Deep Web中结果页面所包含的实体信息成为一个值得研究的问题.通过分析Deep Web结果页面的特点,提出了一种基于DOM树的Deep Web实体抽取机制(DO... 详细信息

随着Web数据库的不断增长,通过对Deep Web的访问逐渐成为获取信息的主要手段.如何有效地抽取Deep Web中结果页面所包含的实体信息成为一个值得研究的问题.通过分析Deep Web结果页面的特点,提出了一种基于DOM树的Deep Web实体抽取机制(DOM-tree based entity extraction mechanism for Deepweb,D-EEM),能够有效解决Deep Web环境中的实体抽取问题.D-EEM采用基于DOM树的自动实体抽取策略,利用DOM树中的文本内容和层次结构来确定数据区域和实体区域,提高了实体抽取的准确性;另外,提出了一种基于上下文距离和共现次数的语义标注方法,有效地将来自不同数据源的抽取结果进行合成.通过实验验证了D-EEM中所采用的关键技术的可行性和有效性,同其他实体抽取策略相比,D-EEM在抽取效率及抽取准确性等方面具有一定的优势.

关键词：实体抽取 DOM树 DeepWeb 数据区域定位实体区域定位

来源：评论

学校读者我要写书评

暂无评论

基于笔画ELMo嵌入IDCNN-CRF模型的企业风险领域实体抽取研究

引用

数据分析与知识发现 2022年第9期6卷 86-99页

作者：杨美芳杨波江西财经大学信息管理学院南昌330013 江西财经大学信息资源管理研究所南昌330013

【目的】有效学习风险领域文本特征和上下文语义关联性,提升企业风险领域实体抽取的性能。【方法】提出基于笔画ELMo嵌入IDCNN-CRF的企业风险领域实体抽取模型。使用双向语言模型预训练大规模非结构化的企业风险领域数据得到的笔画ELMo... 详细信息

【目的】有效学习风险领域文本特征和上下文语义关联性,提升企业风险领域实体抽取的性能。【方法】提出基于笔画ELMo嵌入IDCNN-CRF的企业风险领域实体抽取模型。使用双向语言模型预训练大规模非结构化的企业风险领域数据得到的笔画ELMo向量作为输入特征;将其送入IDCNN网络进行训练,运用CRF对IDCNN的输出层进行处理,获得全局最优的企业风险领域实体序列标注。【结果】模型对企业风险领域实体抽取的F值为91.9%,相对于BiLSTM-CRF模型的抽取性能提升了2.0%,且测试速度快2.36倍。【局限】未考虑本模型扩展于更多领域实体抽取任务的普适性。【结论】本文模型能够为企业风险领域实体语料库构建提供参考借鉴。

关键词：笔画ELMo 迭代膨胀卷积神经网络条件随机场实体抽取风险领域实体

来源：评论

学校读者我要写书评

暂无评论

基于Tri-training的社交媒体药物不良反应实体抽取

引用

计算机工程与应用 2024年第3期60卷 177-186页

作者：何忠玻严馨徐广义张金鹏邓忠莹昆明理工大学信息工程与自动化学院昆明650500 昆明理工大学云南省人工智能重点实验室昆明650500 云南南天电子信息产业股份有限公司昆明南天电脑系统有限公司昆明650040 云南大学信息学院昆明650091 云南财经大学信息学院昆明650221

社交媒体因其数据的实时性,对其充分利用可以弥补传统医疗文献药物不良反应中实体抽取的迟滞性问题,但社交媒体文本面临标注数据成本高、数据噪声大等问题,使得模型难以发挥良好的效果。针对社交媒体大量未标注语料存在标注成本高的问题... 详细信息

社交媒体因其数据的实时性,对其充分利用可以弥补传统医疗文献药物不良反应中实体抽取的迟滞性问题,但社交媒体文本面临标注数据成本高、数据噪声大等问题,使得模型难以发挥良好的效果。针对社交媒体大量未标注语料存在标注成本高的问题,采用Tri-training半监督的方法进行社交媒体药物不良反应实体抽取,通过三个学习器Transformer+CRF、BiLSTM+CRF和IDCNN+CRF对未标注数据进行标注,再利用一致性评价函数迭代地扩展训练集,最后通过加权投票整合模型输出标签。针对社交媒体的文本不正式性(口语化严重、错别字等)问题,通过融合字与词两个粒度的向量作为整个模型嵌入层的输入,来提取更丰富的语义信息。实验结果表明,提出的模型在“好大夫在线”网站获取的数据集上取得了良好表现。

关键词：中文社交媒体药物不良反应实体抽取半监督学习 Tri-training

来源：评论

学校读者我要写书评

暂无评论

实体抽取综述及其在中医药领域的应用

引用

世界科学技术-中医药现代化 2022年第8期24卷 2957-2963页

作者：孔静静于琦李敬华于彤张竹绿田野祖雅琪中国中医科学院中医药信息研究所北京100700

随着机器学习、深度学习与人工智能的兴起与发展,自然语言处理技术也不断革新,其中实体抽取作为自然语言处理的子任务,自其提出以来,实现了从基于匹配模式的抽取到基于传统的机器学习方法抽取,再到基于深度学习的抽取的进步与发展。在... 详细信息

随着机器学习、深度学习与人工智能的兴起与发展,自然语言处理技术也不断革新,其中实体抽取作为自然语言处理的子任务,自其提出以来,实现了从基于匹配模式的抽取到基于传统的机器学习方法抽取,再到基于深度学习的抽取的进步与发展。在医疗信息抽取方面,自然语言处理技术也得到了很好地应用,医学信息得到了更深层次的处理和挖掘。面对中医药领域中灵活的、复杂的和海量的中医药信息,利用实体抽取技术可以将中医药领域更为重要的信息抽取,这也是进一步对中医药信息挖掘的关键一步,基础一步。本文概括了中医药各领域实体抽取技术的应用研究情况,为实体抽取技术在中医药领域的进一步应用发展提供参考,以期促进中医药的传承发展,守正创新。

关键词：中医药命名实体识别实体抽取中医应用综述

来源：评论

学校读者我要写书评

暂无评论

基于标签迁移和深度学习的跨语言实体抽取研究

引用

现代情报 2020年第12期40卷 3-16,35页

作者：余传明黄婷婷林虹君安璐中南财经政法大学信息与安全工程学院湖北武汉430073 中南财经政法大学统计与数学学院湖北武汉430073 武汉大学信息管理学院湖北武汉430072

[目的/意义]从跨语言视角探究如何更好地解决低资源语言的实体抽取问题。[方法/过程]以英语为源语言,西班牙语和荷兰语为目标语言,借助迁移学习和深度学习的思想,提出一种结合自学习和GRU-LSTM-CRF网络的无监督跨语言实体抽取方法。[结... 详细信息

[目的/意义]从跨语言视角探究如何更好地解决低资源语言的实体抽取问题。[方法/过程]以英语为源语言,西班牙语和荷兰语为目标语言,借助迁移学习和深度学习的思想,提出一种结合自学习和GRU-LSTM-CRF网络的无监督跨语言实体抽取方法。[结果/结论]与有监督的跨语言实体抽取方法相比,本文提出的无监督跨语言实体抽取方法可以取得更好的效果,在西班牙语上,F1值为0.6419,在荷兰语上,F1值为0.6557。利用跨语言知识在源语言和目标语言间建立桥梁,提升低资源语言实体抽取的效果。

关键词：知识获取实体抽取跨语言深度学习标签映射

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：