检索结果-内蒙古大学图书馆

情报工程 2023年第5期9卷 112-122页

作者：曾江峰庞雨静高鹏钰冯昌扬华中师范大学信息管理学院湖北武汉430079 北京理工大学管理与经济学院北京100081 富媒体数字出版内容组织与知识服务重点实验室北京100038

[目的/意义]为进一步提升中医药古文献命名实体识别的准确性,以信息化手段辅助现代中医学者进行医学诊断与临床决策,促进中医学的传承与创新。[方法/过程]提出一种集成字符与词汇信息的中医药古文献命名实体识别的Lattice LSTM模型,对... 详细信息

[目的/意义]为进一步提升中医药古文献命名实体识别的准确性,以信息化手段辅助现代中医学者进行医学诊断与临床决策,促进中医学的传承与创新。[方法/过程]提出一种集成字符与词汇信息的中医药古文献命名实体识别的Lattice LSTM模型,对《伤寒论》的疾病、证候、方剂、症状和药材五类实体进行抽取;在抽取出的实体基础上,人工提取实体间关系,利用Neo4j搭建了中医药知识图谱;最后以新冠肺炎为例,在图谱上完成相关检索。[结果/结论]实验结果表明,Lattice LSTM在中医术语识别上性能最优,F1值达到95.66%,比主流模型BiLSTM-CRF提升了1.68%,可用于中医药古文献的实体识别;搭建的中医药知识图谱也验证了主模型的现实价值。

关键词： Lattice LSTM 中医药古文献命名实体识别知识图谱

来源：评论

学校读者我要写书评

暂无评论

基于知识表示学习的协同矩阵分解方法

引用

北京理工大学学报 2021年第7期41卷 752-757页

作者：刘琼昕覃明帅北京市海量语言信息处理与云计算应用工程技术研究中心北京100081 北京理工大学计算机学院北京100081 中国科学技术信息研究所富媒体数字出版内容组织与知识服务重点实验室北京100038

针对协同过滤算法中用户反馈数据的稀疏性问题,提出一种基于知识库的协同矩阵分解方法.该方法从物品的知识图谱中学习其向量表示,并在此基础上联合地分解反馈矩阵和物品关联度矩阵,两种矩阵共享物品向量,利用物品的语义信息弥补反馈数... 详细信息

针对协同过滤算法中用户反馈数据的稀疏性问题,提出一种基于知识库的协同矩阵分解方法.该方法从物品的知识图谱中学习其向量表示,并在此基础上联合地分解反馈矩阵和物品关联度矩阵,两种矩阵共享物品向量,利用物品的语义信息弥补反馈数据的缺失.实验结果表明,该方法显著地提升了矩阵分解模型的推荐效果,在一定程度上解决了协同过滤的冷启动问题.

关键词：推荐系统矩阵分解知识表示学习

来源：评论

学校读者我要写书评

暂无评论

不均衡数据集下基于CNN的中图分类标引方法

引用

数据分析与知识发现 2020年第7期4卷 87-95页

作者：翁梦娟姚长青韩红旗王莉军冉亚鑫中国科学技术信息研究所北京100038 富媒体数字出版内容组织与知识服务重点实验室北京100038

【目的】提高类间分布不均匀数据下中图分类标引的精度。【方法】提出一种使用卷积神经网络(CNN)作为融合分类器的分类方法,相比于其他Stacking融合方法,本方法将各基模型的分类标签概率分布信息堆叠后作为CNN输入,无须人工设置基模型... 详细信息

【目的】提高类间分布不均匀数据下中图分类标引的精度。【方法】提出一种使用卷积神经网络(CNN)作为融合分类器的分类方法,相比于其他Stacking融合方法,本方法将各基模型的分类标签概率分布信息堆叠后作为CNN输入,无须人工设置基模型权重。【结果】实验以中图分类法G4下三级类目为例,结果显示,本方法对不均衡中图类目的平均标引准确率达60%,相比于基线模型,本方法的分类精度有19%的绝对提升。【局限】在方法设计上依赖卷积神经网络中卷积核的设计,只能通过实验确定效果最佳的网络结构;融合阶段训练分类器的复杂度会随着类目数量和基模型数量的增加而增加。【结论】本方法可有效提高不均衡数据集下的标引精度,可与层级分类策略结合使用,实现中图全类目的自动化分类标引。

关键词：分类标引数据不均衡 CNN Stacking

来源：评论

学校读者我要写书评

暂无评论

面向模糊主题复杂问句的阶段性查询图生成

引用

计算机与数字工程 2024年第7期52卷 2055-2060页

作者：邓涵玮刘钊高峰顾进广武汉科技大学计算机科学与技术学院武汉430065 湖北省智能信息处理与实时工业系统重点实验室武汉430065 武汉科技大学大数据科学与工程研究院武汉430065 新闻出版署富媒体数字出版内容组织与知识服务重点实验室北京100083

论文面向无主题实体和多主题实体的模糊主题复杂问句,提出了一种基于阶段性查询图生成的改进方案。针对无主题实体复杂问句,论文提出了以答案节点为起始节点的查询图构造方案。针对多主题实体复杂问句,论文提出了一种基于规则和Transfor... 详细信息

论文面向无主题实体和多主题实体的模糊主题复杂问句,提出了一种基于阶段性查询图生成的改进方案。针对无主题实体复杂问句,论文提出了以答案节点为起始节点的查询图构造方案。针对多主题实体复杂问句,论文提出了一种基于规则和Transformer编码器的主题实体选取策略,提高了问答的准确性。在四个数据集上的对比实验结果表明,该方法在复杂问题问答上的表现优于最近表现较好的Multi-hopCQA。

关键词：知识图谱问答查询图复杂问句阶段性生成查询图

来源：评论

学校读者我要写书评

暂无评论

融合依存句法和实体信息的临床时间关系抽取

引用

计算机技术与发展 2024年第1期34卷 128-135页

作者：黄汉琴顾进广符海东武汉科技大学计算机科学与技术学院湖北武汉430065 国家新闻出版署富媒体数字出版内容组织与知识服务重点实验室北京100038 武汉科技大学大数据科学与工程研究院湖北武汉430065

在临床文本中,时间关系对于研究患者的病情和治疗方案至关重要。而目前的时间关系抽取基于简单时间比较,仅判断4种时间关系。考虑中文临床文本中还存在大量的复杂时间和关系,现有时间关系抽取任务不能全部表达临床事件的时间关系,参考CT... 详细信息

在临床文本中,时间关系对于研究患者的病情和治疗方案至关重要。而目前的时间关系抽取基于简单时间比较,仅判断4种时间关系。考虑中文临床文本中还存在大量的复杂时间和关系,现有时间关系抽取任务不能全部表达临床事件的时间关系,参考CTO时间本体将抽取任务扩展为复杂时间关系抽取。同时针对中文临床文本语义的复杂性,提出了融合依存句法和实体信息的模型学习中文句子的整体信息和实体信息。该模型针对句内时间关系和句间时间关系设计依存特征矩阵引导BERT的编码器聚合全局信息和局部信息,然后导出句子表征向量,在此基础上使用内积和哈达玛积提取丰富的实体信息,最终将句子信息和实体信息导入分类器判断时间关系。与基线模型和其他深度学习模型相比,证明了该模型的有效性。

关键词：时间关系抽取自注意力机制依存句法局部信息实体信息

来源：评论

学校读者我要写书评

暂无评论

大数据服务中知识组织的挑战及应对

引用

图书情报工作 2020年第4期64卷 88-94页

作者：张运良中国科学技术信息研究所北京100038 富媒体数字出版内容组织与知识服务重点实验室北京100038

[目的/意义]大数据服务的需求使得知识组织工作面临更大的挑战,通过发现、理解和分析这些挑战,把握知识组织工作的可能变化,提出应对方法。[方法/过程]聚焦知识组织系统构建和应用,从大数据服务项目实践真实案例出发,分析知识组织不同... 详细信息

[目的/意义]大数据服务的需求使得知识组织工作面临更大的挑战,通过发现、理解和分析这些挑战,把握知识组织工作的可能变化,提出应对方法。[方法/过程]聚焦知识组织系统构建和应用,从大数据服务项目实践真实案例出发,分析知识组织不同角度的挑战,并提出应对策略。[结果/结论]大数据服务中知识组织挑战可以分为数据膨胀、文献保证、集成和应用等4个方面,提出包含新型知识结构、多来源更新策略和弹性应用服务模式的面向大数据服务的系列知识组织框架,以便能够更好地应对上述挑战。

关键词：知识组织大数据知识服务挑战对策

来源：评论

学校读者我要写书评

暂无评论

语义知识驱动的论文摘要关键词抽取方法

引用

情报工程 2022年第3期8卷 3-12页

作者：段建勇鲁朝阳王昊李欣何丽北方工业大学信息学院北京100144 富媒体数字出版内容组织与知识服务重点实验室北京100038 北方工业大学CNONIX国家标准应用与推广实验室北京100144

[目的/意义]关键词抽取技术可以帮助用户从海量文本中快速定位核心内容,对情报收集工作有着重要意义。目前,关键词抽取主要依靠词频和共现关系,忽视了知识库对关键词抽取的指导作用。[方法/过程]本文提供了一种融合知识的关键词抽取方法... 详细信息

[目的/意义]关键词抽取技术可以帮助用户从海量文本中快速定位核心内容,对情报收集工作有着重要意义。目前,关键词抽取主要依靠词频和共现关系,忽视了知识库对关键词抽取的指导作用。[方法/过程]本文提供了一种融合知识的关键词抽取方法,首先基于义原和词林构建词汇知识图谱,其次结合词语的共现关系,生成新的概率转移矩阵,最后实现关键词抽取。[结果/结论]基于海量摘要数据集的实验表明,融合知识的关键词抽取方法,能有效提高现有关键词抽取方法的性能。

关键词：关键词抽取融合知识义原词林

来源：评论

学校读者我要写书评

暂无评论

大规模文本分类的训练语料去噪方法研究

引用

情报工程 2021年第4期7卷 117-126页

作者：高雄韩红旗王力薛陕中国科学技术信息研究所北京100038 富媒体数字出版内容组织与知识服务重点实验室北京100038

[目的/意义]训练语料的质量对主流的文本分类算法至关重要。消除噪声,尤其是“类别外噪声”,有助于提升训练语料的质量,进而提升文本分类算法的准确率。[方法/过程]本文重点利用语义信息来消除“类别外噪声”。通过对每个类别的训练语... 详细信息

[目的/意义]训练语料的质量对主流的文本分类算法至关重要。消除噪声,尤其是“类别外噪声”,有助于提升训练语料的质量,进而提升文本分类算法的准确率。[方法/过程]本文重点利用语义信息来消除“类别外噪声”。通过对每个类别的训练语料构建“类目-类目关键词”知识库,利用“词嵌入”自动化比较其语义信息来判断该类别下是否存在噪声,并给出“类别外噪声”类目候选列表以及文献候选列表,最后通过人机交互的方式消除噪声。[结果/结论]本文提出的去噪方法能够有效检测并消除大规模文本分类的训练语料中的噪声数据,提升训练语料的质量。

关键词：文本分类去噪词嵌入

来源：评论

学校读者我要写书评

暂无评论

面向科技人才信息问答的查询需求及答案组织研究

引用

文献与数据学报 2021年第1期3卷 30-44页

作者：刘紫琪白旭程子佳兰亚璇陈翀北京师范大学政府管理学院富媒体数字出版内容组织与知识服务重点实验室

[目的/意义]科技管理、评估和决策中经常要对科技人才进行多角度分析。研究用户查询需求及答案组织对改进问答服务的用户体验有重要帮助。[方法/过程]本文重点探讨:一,人们对科技人才信息有哪些关注角度,会提出什么样的问句。二,针对人... 详细信息

[目的/意义]科技管理、评估和决策中经常要对科技人才进行多角度分析。研究用户查询需求及答案组织对改进问答服务的用户体验有重要帮助。[方法/过程]本文重点探讨:一,人们对科技人才信息有哪些关注角度,会提出什么样的问句。二,针对人才成长性和流动性所造成的实体关系复杂的问题,如何在图谱中进行数据组织。三,与需求相适的答案组织与融合展示有哪些主要类型。[结果/结论]总结梳理人才管理、培育、评价等方面对人才信息的需求;针对人才描述中有代表性的复杂关系,归纳出梭型及星型关系的数据组织方法来保证信息的完整性;对四类典型的答案形式给出内容融合方案;并基于科技人才知识图谱构建问答平台体现上述研究结果。本文创新之处一是梳理了对人才信息的查询需求,用于完善研究对象的特征描述与数据组织,并基于此构建问句集、归纳问句意图类型;二是对问答应用中答案内容融合类型进行了划分,展示了富媒体对扩展知识关联的作用。

关键词：科技人才信息查询需求答案组织知识图谱富媒体内容融合

来源：评论

学校读者我要写书评

暂无评论

基于查询特征表示学习的联邦复杂查询基数估计

引用

计算机技术与发展 2024年第2期34卷 32-39页

作者：徐娇田萍芳顾进广徐芳芳武汉科技大学计算机科学与技术学院湖北武汉430065 湖北省智能信息处理与实时工业系统重点实验室湖北武汉430065 武汉科技大学大数据科学与工程研究院湖北武汉430065 国家新闻出版署富媒体数字出版内容组织与知识服务重点实验室北京100083

准确的基数估计是实现最佳查询计划的关键因素,现有方法大多基于深度学习来解决基数估计问题。然而,这种基于RDF图模式的方法专注于具有特定拓扑结构的简单查询,适用范围有限,缺乏对现实场景中频繁使用的复杂类查询的支持。为了解决以... 详细信息

准确的基数估计是实现最佳查询计划的关键因素,现有方法大多基于深度学习来解决基数估计问题。然而,这种基于RDF图模式的方法专注于具有特定拓扑结构的简单查询,适用范围有限,缺乏对现实场景中频繁使用的复杂类查询的支持。为了解决以上问题,提出一种基于查询特征表示学习的联邦复杂查询基数估计模型。该模型主要处理带有FILTER或DISTINCT关键字的复杂查询,使用新提出的FILTER查询特征化方法将SPARQL查询表示为特征向量,通过模型预测查询基数。同时使用模型预测DISITINCT查询中唯一行比率。在LUBM数据集上的实验表明,与最先进的基数估计方法相比,该模型在估计质量上表现优异,平均估计误差中位数可达1.16,并对多连接查询的基数估计表现出潜力和可扩展性。

关键词：联邦系统查询优化复杂查询深度学习基数估计

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：