检索结果-内蒙古大学图书馆

数据分析与知识发现 2024年第1期8卷 135-145页

作者：吕学强杨雨婷肖刚李育贤游新冬北京信息科技大学网络文化与数字传播北京市重点实验室北京100101 中国人民解放军军事科学院系统工程研究院复杂系统仿真总体重点实验室北京100101

【目的】为解决武器装备领域样本稀疏和长术语难以识别的问题,提出头尾指针和主动学习相结合的方法。【方法】首先,使用BERT预训练语言模型得到词向量表示,利用头尾指针网络对长术语进行抽取;然后提出新的主动学习采样策略,在未标注样... 详细信息

【目的】为解决武器装备领域样本稀疏和长术语难以识别的问题,提出头尾指针和主动学习相结合的方法。【方法】首先,使用BERT预训练语言模型得到词向量表示,利用头尾指针网络对长术语进行抽取;然后提出新的主动学习采样策略,在未标注样本上筛选高质量样本不断迭代训练模型,降低模型对数据规模的依赖。【结果】模型针对长术语的抽取效果在F1值上有0.50个百分点的提升,通过引入主动学习后采样,仅大约50%高质量数据即可达到训练100%训练数据相同的F1值。【局限】限于计算能力,本文数据集规模较小;在文本处理阶段新增主动学习采样策略,进行大规模数据计算的时间成本较高。【结论】利用头尾指针和主动学习方法能够有效抽取长术语,同时降低数据标注的成本。

关键词：术语抽取主动学习头尾指针网络 BERT 武器装备

来源：评论

学校读者我要写书评

暂无评论

面向武器装备领域的复杂实体识别

引用

北京大学学报（自然科学版） 2022年第3期58卷 391-404页

作者：游新冬葛昊杰韩君妹李育贤吕学强北京信息科技大学网络文化与数字传播北京市重点实验室北京100101 军事科学院系统工程研究院复杂系统仿真总体重点实验室北京100101

针对武器装备领域复杂实体的特点,提出一种融合多特征后挂载武器装备领域知识的复杂命名实体识别方法。首先,使用BERT模型对武器装备领域数据进行预训练,得到数据向量,使用Word2Vec模型学习郑码、五笔、拼音和笔画的上下位特征,获取特... 详细信息

针对武器装备领域复杂实体的特点,提出一种融合多特征后挂载武器装备领域知识的复杂命名实体识别方法。首先,使用BERT模型对武器装备领域数据进行预训练,得到数据向量,使用Word2Vec模型学习郑码、五笔、拼音和笔画的上下位特征,获取特征向量。然后,将数据向量与特征向量融合,利用Bi-LSTM模型进行编码,使用CRF解码得到标签序列。最后,基于武器装备领域知识,对标签序列进行复杂实体的触发检测,完成复杂命名实体识别。使用环球军事网数据作为语料进行实验,分析不同的特征组合、不同神经网络模型下的识别效果,并提出适用于评价复杂命名实体识别结果的计算方法。实验结果表明,提出的挂载领域知识且融合多特征的武器装备复杂命名实体识别方法的F1值达到95.37%,优于现有方法。

关键词：武器装备复杂命名实体识别郑码领域规则 BERT 评价方法

来源：评论

学校读者我要写书评

暂无评论

EMSS:一种基于Span匹配的中文实体抽取方法

引用

小型微型计算机系统 2024年第9期45卷 2087-2093页

作者：游新冬刘陌村韩君妹吕学强北京信息科技大学网络文化与数字传播北京市重点实验室北京100101 军事科学院系统工程研究院复杂系统仿真总体重点实验室北京100101

基于Span(跨度)的实体抽取模型目前在英文数据集上取得了优异的效果,且已被证明跨度实体抽取比传统的序列标注实体抽取的效果更好.本文提出了一种基于跨度与拼接的中文命名实体抽取模型(EMSS),EMSS使用端到端的span抽取模型,文本经过BER... 详细信息

基于Span(跨度)的实体抽取模型目前在英文数据集上取得了优异的效果,且已被证明跨度实体抽取比传统的序列标注实体抽取的效果更好.本文提出了一种基于跨度与拼接的中文命名实体抽取模型(EMSS),EMSS使用端到端的span抽取模型,文本经过BERT预训练模型进行字向量的编码,随后进入span抽取层枚举出所有可能的跨度,并加入跨度边界与跨度长度两种特征向量用于对跨度向量进行计算,最后进入跨度预测层进行实体标签的预测.同时提出了一种基于BIO格式的新标签标注方法,该标注方法不受模型与数据集领域限制,可以在不影响下游任务的情况下提高模型识别准确率.在Weibo、Resume、MSRA、OntoNotes4.0数据集上与当前主流的中文实体抽取模型进行对比实验.实验结果表明,提出的EMSS优于现有主流模型,均取得了7%左右的F1值提升.并将该方法应用到煤矿机电设备领域,解决煤矿机电设备领域的实体识别问题,在自制数据集上的实验证明本文的标注方法,不仅在中文实体上有效,而且对汉字、英文、数字结合的混合类型实体也有明显的效果.

关键词：实体抽取跨度神经网络

来源：评论

学校读者我要写书评

暂无评论

面向武器装备领域的复杂三元组抽取方法

引用

小型微型计算机系统 2024年第3期45卷 521-528页

作者：游新冬刘陌村葛昊杰肖刚吕学强北京信息科技大学网络文化与数字传播北京市重点实验室北京100101 军事科学院系统工程研究院复杂系统仿真总体重点实验室北京100101

为解决武器装备领域中单实体重叠和实体对重叠的复杂三元组的抽取问题,提出了挂载武器装备领域知识结合多轮对抗攻击的复杂三元组抽取方法(RDA),该方法通过武器装备领域微调后的Bert获取更具领域语义的文本向量;利用在嵌入层发起多轮对... 详细信息

为解决武器装备领域中单实体重叠和实体对重叠的复杂三元组的抽取问题,提出了挂载武器装备领域知识结合多轮对抗攻击的复杂三元组抽取方法(RDA),该方法通过武器装备领域微调后的Bert获取更具领域语义的文本向量;利用在嵌入层发起多轮对抗的方式,实现模型层面的数据增强,减少模型对标注样本规模的依赖;采用单层指针网络获取头实体对头实体的类别进行判定,利用维基百科知识库对武器装备领域的实体类别解释信息的向量,对武器装备类别信息以字为最小粒度进行融合,缓解分层标注的天然缺陷;最后在横纵两个维度基于不同粒度的序列标注实现复杂三元组的抽取.在武器装备领域的数据集上精准率达到88.54%,召回率达到75.88%,F1值达到81.72%,取得了SOTA效果.实验表明提出的RDA方法对武器装备领域的信息利用更加充分,有效地缓解武器装备领域遇到的单实体重叠问题(SEO)和实体对重叠(EPO)问题.

关键词：三元组抽取武器装备领域复杂命名实体识别单层指针网络多轮对抗攻击 RDA

来源：评论

学校读者我要写书评

暂无评论

基于分层序列标注的实体关系联合抽取方法

引用

北京大学学报（自然科学版） 2021年第1期57卷 53-60页

作者：田佳来吕学强游新冬肖刚韩君妹北京信息科技大学网络文化与数字传播北京市重点实验室北京100101 复杂系统仿真总体重点实验室军事科学院系统工程研究院北京100101

为了提高实体关系联合抽取的效果,提出一种端到端的联合抽取模型(HSL)。HSL模型采取一种新的标记方案,将实体和关系的联合抽取转化成序列标注问题,同时采用分层的序列标注方式来解决三元组重叠问题。实验证明,HSL模型能有效地解决三元... 详细信息

为了提高实体关系联合抽取的效果,提出一种端到端的联合抽取模型(HSL)。HSL模型采取一种新的标记方案,将实体和关系的联合抽取转化成序列标注问题,同时采用分层的序列标注方式来解决三元组重叠问题。实验证明,HSL模型能有效地解决三元组重叠问题,在军事语料数据集上F1值达到80.84%,在公开的WebNLG数据集上F1值达到86.4%,均超过目前主流的三元组抽取模型,提升了三元组抽取的效果。

关键词：实体关系联合抽取三元组重叠序列标注知识图谱 HSL

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的无人机集群动态任务规划算法

引用

系统仿真技术 2023年第3期19卷 193-204页

作者：李明哲马琼敏伍国华中南大学交通运输工程学院湖南长沙410075 军事科学院系统工程研究院北京100101 复杂系统仿真总体重点实验室北京100101

针对无人机集群动态任务规划问题,本研究提出一种基于强化学习的无人机集群动态任务规划方法。该方法将无人机集群动态任务规划划分为任务分配和路径规划2层进行求解,首先通过任务分配得到各个无人机所负责的任务集合,然后在各个任务集... 详细信息

针对无人机集群动态任务规划问题,本研究提出一种基于强化学习的无人机集群动态任务规划方法。该方法将无人机集群动态任务规划划分为任务分配和路径规划2层进行求解,首先通过任务分配得到各个无人机所负责的任务集合,然后在各个任务集合内通过路径规划得到无人机的飞行路径。在任务分配层面,根据大规模无人机集群任务分配存在的规模性和动态性特点,设计基于注意力机制的强化学习算法对其进行求解,该算法在深度强化学习算法的基础上引入注意力机制网络,使得算法能够高效处理无人机数目和任务数动态变化。在路径规划层面,采用基于Gurobi的最优化算法求解最优飞行路径,保证强化学习训练效果与求解结果质量。实验结果表明,在多种规模的动态任务规划中,本研究所提出的算法任务完成度较对比算法提升26.9%~59.9%,方案变化量较对比算法减少12.8%~19.8%,且求解时间在1 s以内。

关键词：无人机集群动态任务规划强化学习注意力机制

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：