检索结果-内蒙古大学图书馆

作者： T·尤内库拉美国马萨诸塞州

提供了针对利用多协议数据访问的一致实体标记的技术。在一个示例中，文件存储系统被配置为根据(多个)文件存储协议和(多个)对象存储协议来处理数据。对象存储协议可以利用指示对象(使用文件存储系统中的文件表示)是否已改变的实体标记... 详细信息

标准号: CN115812198A

提供了针对利用多协议数据访问的一致实体标记的技术。在一个示例中，文件存储系统被配置为根据(多个)文件存储协议和(多个)对象存储协议来处理数据。对象存储协议可以利用指示对象(使用文件存储系统中的文件表示)是否已改变的实体标记。在利用文件存储协议来修改文件的情况下，指示文件缺乏有效实体标记的指示可以被存储。如果对象存储操作被执行以检索对象，并且如果对象与有效实体标记相对应，则该实体标记可以作为响应的部分被返回。如果对象不与有效实体标记相对应，则文件存储系统可以生成新实体标记并且将新生成的实体标记作为响应的部分返回。

关键词：实体标记对象存储有效实体文件存储系统文件存储协议多协议数据处理数据存储系统检索对象使用文件文件表示修改文件指示对象指示文件返回响应新实体存储配置访问

来源：评论

学校读者我要写书评

暂无评论

电子病例实体标记方法、装置、计算机设备及存储介质

电子病例实体标记方法、装置、计算机设备及存储介质

引用

作者：李术扬宋文鸿胡毛毛何世敏 518000 广东省深圳市前海深港合作区南山街道兴海大道3048号前海自贸大厦2601(07号单元)

本发明涉及数字医疗技术领域，提供一种电子病例实体标记方法、装置、计算机设备及存储介质，包括：识别历史电子病例中的多个实体；根据预设实体显示类型显示所述历史电子病例及所述历史电子病例中的所述多个实体；为每个实体添加锚点... 详细信息

标准号: CN111986765B

本发明涉及数字医疗技术领域，提供一种电子病例实体标记方法、装置、计算机设备及存储介质，包括：识别历史电子病例中的多个实体；根据预设实体显示类型显示所述历史电子病例及所述历史电子病例中的所述多个实体；为每个实体添加锚点，并通过所述锚点接收用户对对应的实体的更新得到更新信息；将所述历史电子病例及所述历史电子病例中的多个实体及对应的更新信息存储在历史电子病例实体表中；基于所述历史电子病例实体表训练BiLSTM‑CRF模型得到实体标记模型；使用所述实体标记模型对待标记的电子病例进行实体标记。本发明能够提高电子病例实体标记的准确率。

关键词：实体标记更新信息实体表锚点计算机设备存储介质接收用户实体添加实体显示数字医疗准确率预设存储更新

来源：评论

学校读者我要写书评

暂无评论

实体标记方法、装置、计算机设备和存储介质

实体标记方法、装置、计算机设备和存储介质

引用

作者：徐雨薇金海峰 100101 北京市朝阳区北辰东路8号3号楼六层6016

本申请涉及一种实体标记方法、装置、计算机设备和存储介质。其中，该方法包括：响应于被测试者终端触发的自然拼读测试请求，将包含自然拼读试题的第一测试数据发送至被测试者终端；接收被测试者终端发送的音频数据和拼写信息并保存；... 详细信息

标准号: CN111597305A

本申请涉及一种实体标记方法、装置、计算机设备和存储介质。其中，该方法包括：响应于被测试者终端触发的自然拼读测试请求，将包含自然拼读试题的第一测试数据发送至被测试者终端；接收被测试者终端发送的音频数据和拼写信息并保存；将音频数据和拼写信息，以及包含自然拼读试题和答案的第二测试数据发送至测试者终端，并接收测试者终端上传的自然拼读试题中每道试题的测试结果；根据自然拼读试题关联的标签，在预设的自然拼读知识图谱中选择与标签匹配的自然拼读知识实体；根据每道试题的测试结果，对匹配的自然拼读知识实体添加颜色标识，并展示包含带颜色的自然拼读知识图谱。采用本方法能够提高自然拼读测试效率。

关键词：拼读试题测试测试数据发送音频数据知识实体拼写图谱终端计算机设备标签匹配测试请求测试效率存储介质接收测试实体标记颜色标识终端触发终端发送终端上传预设匹配标签答案关联保存响应申请展示

来源：评论

学校读者我要写书评

暂无评论

实体标记方法、装置、计算机设备和存储介质

实体标记方法、装置、计算机设备和存储介质

引用

作者：徐雨薇金海峰 100101 北京市朝阳区北辰东路8号3号楼六层6016

标准号: CN111597305B

来源：评论

学校读者我要写书评

暂无评论

电子病例实体标记方法、装置、计算机设备及存储介质

电子病例实体标记方法、装置、计算机设备及存储介质

引用

作者：李术扬宋文鸿胡毛毛何世敏 518000 广东省深圳市前海深港合作区妈湾兴海大道3048号前海自贸大厦1-34层

标准号: CN111986765A

关键词：实体标记更新信息实体表锚点计算机设备存储介质接收用户实体添加实体显示数字医疗准确率预设存储更新

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络的增强实体和关系的联合抽取研究

基于图神经网络的增强实体和关系的联合抽取研究

引用

作者：姜庆涛南昌大学

学位级别：硕士

关系抽取旨在从非结构化的文本信息中识别出文本实体的目标关系,是构建知识图谱的重要技术环节,也可以为搜索引擎、问答系统等下游任务提供支撑,具有重要的研究意义。目前基于深度学习的关系抽取技术在提取实体前未能很好地融合实体和... 详细信息

关系抽取旨在从非结构化的文本信息中识别出文本实体的目标关系,是构建知识图谱的重要技术环节,也可以为搜索引擎、问答系统等下游任务提供支撑,具有重要的研究意义。目前基于深度学习的关系抽取技术在提取实体前未能很好地融合实体和关系信息,并存在实体语义表示模糊问题。为此,本文开展了基于图神经网络的增强实体和关系的联合抽取研究,主要研究内容如下:(1)针对以往的关系抽取模型在表达实体语义时存在模糊问题,未能很好的突出实体的语义信息与实体之间的上下文信息,本文以Bert和Bi LSTM为基础编码器模型,构造了一个新颖的模型结构,采用实体标记和跨度截取方法增强了实体语义信息。首先,采用实体标记技术使得模型能高效的区分实体位置,提高模型对实体的关注度,同时使模型降低无关词的干扰。其次,使用跨度截取方式获取实体的语义向量并结合编码器头节点联合丰富上下文语义信息,最后通过池化层和分类层获得分类结果。所提出的模型在Sem Eval 2010 Task8数据集上进行实验并获得了89.41%的F1值,较传统模型有显著提升,实验证明了该方法是有效的,能够提升关系抽取的准确率。(2)针对目前现有的实体关系联合抽取模型,在提取实体之前未能很好的融合实体和关系信息,实体模型和关系模型都是以单独的形式存在并输入模型中,忽略了实体和关系之间的隐藏联系。本文采用Bert和Bi LSTM作为基础模型,实体模型和关系模型通过Bert编码器和参数共享方式输入到GAT中,用实体和关系作为图的节点,使全部实体节点融入关系中,全部关系融入到实体中,通过这种迭代融合的方式互相增强语义信息。采用序列标注方法标记实体的开始位置和结束位置,最后计算两个实体和关系的相关性确定三元组。实验在Sem Eval 2010 Task8、NYT、Web NLG三个数据集下进行实验并获得了90.20%、91.92%、92.27%的F1值,与其它改进的模型相比准确率有明显提升,验证了该模型具有更好的性能。

关键词：关系抽取 Bert 实体标记实体关系联合抽取序列标注

来源：评论

学校读者我要写书评

暂无评论

面向中文关系抽取的句子结构获取方法

引用

数据采集与处理 2021年第3期36卷 605-620页

作者：杨卫哲秦永彬黄瑞章王凯程华龄唐瑞雪程欣宇陈艳平贵州大学省部共建公共大数据国家重点实验室贵阳550025 贵州大学计算机科学与技术学院贵阳550025 贵州省智能医学影像分析与精准诊断重点实验室贵阳550025 贵州省智能人机交互工程技术研究中心贵阳550025

在关系抽取中,神经网络模型是目前最常用的技术之一,然而现有神经网络模型很少考虑句子中两个实体之间的结构特征。该文针对关系抽取任务的特点,提出了基于神经网络模型的句子结构获取方法。该方法通过对关系实例中两个实体的位置进行... 详细信息

在关系抽取中,神经网络模型是目前最常用的技术之一,然而现有神经网络模型很少考虑句子中两个实体之间的结构特征。该文针对关系抽取任务的特点,提出了基于神经网络模型的句子结构获取方法。该方法通过对关系实例中两个实体的位置进行特殊标记,使神经网络模型能够有效捕获句子中关于实体的结构信息。为了验证方法的有效性,分别采用两种主流的神经网络模型进行对比实验,实验结果表明,该方法在ACE 2005中文关系抽取数据集上的抽取性能得到显著提升,超出对比工作约11个百分点,表明该方法能有效提升关系抽取任务的性能。

关键词：关系抽取结构特征自然语言处理实体标记

来源：评论

学校读者我要写书评

暂无评论

基于联合模型的事件抽取方法研究

基于联合模型的事件抽取方法研究

引用

作者：张明宇中国科学院大学

学位级别：硕士

21世纪以来互联网的不断发展和日益普及，互联网上的信息呈现爆炸式增长，而目前互联网上的信息大多都是以非结构化的形式呈现给用户，这就使得人们很难从海量信息中快速理解并获取重点信息。如何从文本中抽取重点的信息，帮助用户迅速... 详细信息

21世纪以来互联网的不断发展和日益普及，互联网上的信息呈现爆炸式增长，而目前互联网上的信息大多都是以非结构化的形式呈现给用户，这就使得人们很难从海量信息中快速理解并获取重点信息。如何从文本中抽取重点的信息，帮助用户迅速理解文本知识已变得越来越重要，因此信息抽取技术有了很大的发展和提升。而事件抽取作为信息抽取的一个关键任务，它的目标是从非结构化文本中识别和抽取人们感兴趣的事件以及事件相关的时间、地点、人物等元素。又因为事件本身语义复杂，识别难度大，需要较强的文本语义理解能力，因此，研究如何从文本中精准地识别出事件及其相应的事件要素在信息抽取中逐渐成为研究热点。同时事件抽取作为自然语言处理领中较为底层的技术还对信息检索、自动问答、舆情监控、话题检测等上层应用有着重要促进意义。　　因为语言的复杂性，不同语境导致不同语义的现象频繁出现，在事件抽取中，该现象更加明显，常出现触发词歧义、多事件语义依赖以及论元角色重叠等问题。同时，随着深度学习方法的不断发展，基于深度学习的事件抽取方法研究已经逐渐成为研究的主流。而目前基于深度学习的事件抽取方法大多采用流水线模型，独立建模事件抽取的两个子任务，导致了严重的错误传播问题。另一方面，使用深度学习方法往往依赖于大量标注数据，目前常用的事件抽取数据集ACE2005存在数据量少且标签严重不均衡等问题。以上问题都对事件抽取的精度带来了严重的影响。鉴于此，我们针对以上问题，提出了基于联合模型的句子级事件抽取方法研究。论文的具体研究工作如下:　　(一)基于多粒度异质图的事件抽取联合模型。针对事件触发词的歧义性问题以及多事件关联性问题，为了充分建模和区分不同词之间的语义以及不同事件的关联性，本文提出了基于多粒度异质图的事件抽取联合模型MHGEE。首先，利用单词、实体、上下文等多粒度信息，构建包含3种类型节点、6种类型边的异质图;然后，使用门控机制R-GCN，传递和聚合不同类型节点和边的语义信息，学习不同粒度节点的嵌入表示;最后，利用学习得到的词节点表示和实体节点表示完成事件检测和事件论元抽取。我们在ACE2005数据集上进行了实验分析，实验结果表明该模型相较于各基线模型在性能上有明显提升，并有效地解决了触发词歧义和多事件关联问题。　　(二)基于实体标记的事件抽取联合模型。针对单句子中的论元角色重叠问题，以往的相关工作往往不能有效地建模这类重叠问题。考虑到论元角色重叠问题和事件的相互关联性，即单句子中存在多个事件有关，且论元在一个事件中只能扮演一个角色，本文提出了基于实体标记的事件抽取联合模型，将事件抽取任务建模为序列标注子任务，并通过编码-解码的方式，以抽取正确的三元组信息的方式完成事件抽取。该模型的效果同样优于其它模型，证明了其对于解决相关问题的有效性。　　(三)基于生成对抗网络进行数据增强算法。针对用现有的弱监督方法进行数据增强的过程中，存在的规则复杂、产生大量噪声数据的问题，本文提出了一个基于生成对抗网络的数据增强算法，通过训练对抗网络的方法，从非结构化文本语料库中构建可靠数据作为扩充的数据，并以此来提升事件抽取的性能。实验结果表明该数据提高了模型的泛化能力，使得事件抽取模型的性能得到了提升，证明了该数据增强算法的有效性。

关键词：事件抽取联合模型多粒度异质图实体标记数据增强生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

基于分解-重组策略的医学文本实体关系联合抽取方法

基于分解-重组策略的医学文本实体关系联合抽取方法

引用

作者：朱强洪铖刘军平王帮超罗瑞奇 430073 湖北省武汉市洪山区纺织路1号

本发明具体涉及一种基于分解‑重组策略的医学文本实体关系联合抽取方法。本方法将医学文本实体关系抽取任务分解成实体标记、关系分类和重组匹配三个子模块，具体包括S1：对医学文本进行数据预处理；S2：将处理后的数据输入预训练模型... 详细信息

标准号: CN114841151B

本发明具体涉及一种基于分解‑重组策略的医学文本实体关系联合抽取方法。本方法将医学文本实体关系抽取任务分解成实体标记、关系分类和重组匹配三个子模块，具体包括S1：对医学文本进行数据预处理；S2：将处理后的数据输入预训练模型编码器，输出包含语义信息的词向量；S3：将词向量输入到基于跨度的实体标记模块，抽取出医学文本中的所有头实体和尾实体；S4：将词向量输入到关系分类模块，抽取出所有可能存在的关系，同时利用焦点损失函数缓解关系样本分布失衡问题；S5：将抽取出的头实体和关系进行重组，利用自注意力机制匹配相应尾实体，解决三元组实体重叠问题。经过实验证明，本方法能有效提高医学文本数据中实体关系三元组的抽取效果。

关键词：词向量医学取出关系分类实体标记文本实体三元组匹配抽取文本数据预处理注意力机制关系抽取任务分解实体关系损失函数文本数据训练模型样本分布语义信息重叠问题编码器跨度失衡分解输出缓解焦点联合

来源：评论

学校读者我要写书评

暂无评论

实体关系识别方法和装置、电子设备及存储介质

实体关系识别方法和装置、电子设备及存储介质

引用

作者：陈焕坤王伟曾志贤张黔张兴 518000 广东省深圳市福田区梅林街道梅都社区中康路136号深圳新一代产业园2栋801

本申请实施例提供了一种实体关系识别方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括获取样本识别文本；根据编码器得到样本文本向量；根据解码器对头实体标记进行特征提取得到头标记向量；根据实体提取层对样本文... 详细信息

标准号: CN116362252A

本申请实施例提供了一种实体关系识别方法和装置、电子设备及存储介质，属于人工智能技术领域。该方法包括获取样本识别文本；根据编码器得到样本文本向量；根据解码器对头实体标记进行特征提取得到头标记向量；根据实体提取层对样本文本向量进行实体提取得到预测头实体；根据解码器得到尾标记向量；根据实体提取层对样本文本向量进行实体提取得到预测尾实体；根据关系预测层对预测头实体、预测尾实体进行实体关系提取得到预测实体关系；对原始实体关系识别模型进行调整，得到目标实体关系识别模型；根据目标实体关系识别模型对目标识别文本进行实体关系识别。本申请实施例能够减小搜索空间，提高解码速度，进而提高实体关系确定速度。

关键词：实体关系实体提取预测样本文本向量解码器标记向量关系识别目标实体文本减小搜索空间人工智能技术方法和装置存储介质电子设备目标识别实体标记特征提取样本识别解码编码器申请

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：