检索结果-内蒙古大学图书馆

中文信息学报 2023年第5期37卷 80-87页

作者：王琪琪李培峰苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

从非结构化文本中提取关系三元组对于大规模知识图谱的构建至关重要。目前,大部分研究集中于从书面文本中抽取实体关系,从对话中抽取实体关系的研究还很少。和书面文本中的实体关系相比,对话中的实体关系更强调“人”的关系且更口语化... 详细信息

从非结构化文本中提取关系三元组对于大规模知识图谱的构建至关重要。目前,大部分研究集中于从书面文本中抽取实体关系,从对话中抽取实体关系的研究还很少。和书面文本中的实体关系相比,对话中的实体关系更强调“人”的关系且更口语化。为此,该文提出了一种使用GCN(图卷积神经网络)建模对话情景的对话实体关系识别方法。该方法根据多人对话的特点,将对话句子看作节点,根据句子距离为句子间分配有权重的边,从而构建出一张对话情景图,然后使用GCN来建模对话之间的关系。在DialogRE数据集上的实验证明,该文方法优于本文研究同时期性能最好的模型。

关键词：对话关系抽取图卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于主题相似度的宏观篇章主次关系识别方法

引用

中文信息学报 2018年第1期32卷 43-50页

作者：蒋峰褚晓敏徐昇李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

篇章分析是自然语言处理领域的一个重要任务。分析篇章主次关系有助于理解篇章的结构和语义,并为自然语言处理的应用提供有力的支持。该文在微观篇章主次关系识别研究的基础上,重点研究宏观篇章主次关系,提出了一种基于word2vec和LDA的... 详细信息

篇章分析是自然语言处理领域的一个重要任务。分析篇章主次关系有助于理解篇章的结构和语义,并为自然语言处理的应用提供有力的支持。该文在微观篇章主次关系识别研究的基础上,重点研究宏观篇章主次关系,提出了一种基于word2vec和LDA的主题相似度的宏观篇章主次关系识别模型。基于word2vec的主题相似度和基于LDA的主题相似度在不同维度上计算语义相似度,两者在语义层面形成互补,因而增强了模型识别宏观篇章主次关系的能力。该模型在宏观汉语篇章树库(MCDTB)上实验的F1值达到79.9%,正确率达到81.82%,相较基准系统分别提升了1.7%和1.81%。

关键词：宏观篇章主次关系主题相似度 word2vec LDA

来源：评论

学校读者我要写书评

暂无评论

运用多层注意力神经网络识别中文隐式篇章关系

引用

中文信息学报 2019年第8期33卷 12-19,35页

作者：徐昇王体爽李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

中文隐式篇章关系识别是一个具有挑战性的任务,其难点在于如何捕获论元的语义信息。该文提出了一个模拟人类双向阅读和重复阅读过程的三层注意力网络模型(TLAN)用于识别中文隐式篇章关系。首先,使用Self-Attention层对论元进行编码;然后... 详细信息

中文隐式篇章关系识别是一个具有挑战性的任务,其难点在于如何捕获论元的语义信息。该文提出了一个模拟人类双向阅读和重复阅读过程的三层注意力网络模型(TLAN)用于识别中文隐式篇章关系。首先,使用Self-Attention层对论元进行编码;然后,通过细粒度的Interactive Attention层模拟双向阅读过程以生成包含交互信息的论元表示,并且通过非线性变换获得论元对信息的外部记忆;最后,通过包含外部记忆的注意力层来模拟重复阅读过程,在论元对记忆的引导下生成论元的最终表示。在中文篇章树库(CDTB)上进行的隐式篇章关系识别实验结果显示,该文提出的模型TLAN在Micro-F1和Macro-F1上超过了多个基准模型。

关键词：篇章分析隐式篇章关系识别注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于跨语言数据增强的事件同指消解方法

引用

中文信息学报 2022年第3期36卷 19-26页

作者：程昊熠李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

事件同指消解是一个具有挑战性的自然语言处理任务,它在事件抽取、问答系统和阅读理解等任务中发挥着重要作用。现存的事件同指消解语料库的一个问题是标注规模较小,无法训练出高效能的模型。为了解决上述问题,该文提出了一个基于跨语... 详细信息

事件同指消解是一个具有挑战性的自然语言处理任务,它在事件抽取、问答系统和阅读理解等任务中发挥着重要作用。现存的事件同指消解语料库的一个问题是标注规模较小,无法训练出高效能的模型。为了解决上述问题,该文提出了一个基于跨语言数据增强的事件同指消解神经网络模型ECR_CDA(Event Coreference Resolution on Cross-lingual Data Augmentation)。该模型通过中英文语料互译来增强语料,并通过共享模型参数的方式实现中英文模型的跨语言学习,从而提高了事件同指消解的性能。在ACE 2005英文语料上的实验结果表明,ECR_CDA优于目前最先进的基准系统。

关键词：事件同指事件实例短句中英跨语言学习全局优化方法

来源：评论

学校读者我要写书评

暂无评论

基于混合神经网络的实体和事件联合抽取方法

引用

中文信息学报 2019年第8期33卷 77-83页

作者：吴文涛李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

实体和事件抽取旨在从文本中识别出实体和事件信息并以结构化形式予以呈现。现有工作通常将实体抽取和事件抽取作为两个单独任务,忽略了这两个任务之间的紧密关系。实际上,事件和实体密切相关,实体往往在事件中充当参与者。该文提出了... 详细信息

实体和事件抽取旨在从文本中识别出实体和事件信息并以结构化形式予以呈现。现有工作通常将实体抽取和事件抽取作为两个单独任务,忽略了这两个任务之间的紧密关系。实际上,事件和实体密切相关,实体往往在事件中充当参与者。该文提出了一种混合神经网络模型,同时对实体和事件进行抽取,挖掘两者之间的依赖关系。模型采用双向LSTM识别实体,并将在双向LSTM中获得的实体上下文信息进一步传递到结合了自注意力和门控卷积的神经网络来抽取事件。在英文ACE 2005语料库上的实验结果证明了该文方法优于目前最好的基准系统。

关键词：事件抽取实体抽取自注意力门控卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

面向国防科技领域的技术和术语识别方法研究

引用

计算机科学 2019年第12期46卷 231-236页

作者：冯鸾鸾李军辉李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

随着自然语言处理技术的发展,人们越来越重视构建面向国防科技领域的知识图谱。而面向国防科技领域的技术和术语识别是构建该领域技术知识图谱的基础。文中基于该领域的语料库,在技术和术语识别的任务上,探索了子词单元在传统序列标注Bi... 详细信息

随着自然语言处理技术的发展,人们越来越重视构建面向国防科技领域的知识图谱。而面向国防科技领域的技术和术语识别是构建该领域技术知识图谱的基础。文中基于该领域的语料库,在技术和术语识别的任务上,探索了子词单元在传统序列标注Bi-LSTM+CRF模型上的应用。此外,针对任务的特点,提出了适用于技术和术语识别的语言学特征。基于该领域的语料库,实验结果表明技术和术语识别的F1值达到了71.80%,较基准系统提升了3.04%,能够较好地识别出面向国防科技领域的技术和术语。同时,所提方法也优于基于BERT模型的技术术语识别方法。

关键词：面向国防科技领域技术和术语子词 Bi-LSTM+CRF模型语言学特征

来源：评论

学校读者我要写书评

暂无评论

基于数据增强的中文隐式篇章关系识别方法

引用

计算机科学 2021年第10期48卷 85-90页

作者：王体爽李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

由于缺乏显式连接词,隐式篇章关系识别是一个具有挑战性的任务。文中提出了一种结合主动学习和多任务学习来间接扩充隐式篇章关系训练数据的隐式篇章关系识别方法,旨在在增强训练数据的同时尽量少地引入伪隐式篇章关系数据中的噪声。首... 详细信息

由于缺乏显式连接词,隐式篇章关系识别是一个具有挑战性的任务。文中提出了一种结合主动学习和多任务学习来间接扩充隐式篇章关系训练数据的隐式篇章关系识别方法,旨在在增强训练数据的同时尽量少地引入伪隐式篇章关系数据中的噪声。首先,基于BERT模型通过主动学习方法的分类不确定性来选择部分显式篇章关系样本;然后,移除显式篇章关系数据中的显式连接词作为伪隐式篇章关系数据;最后,采用多任务学习方法使伪隐式篇章关系数据有助于隐式篇章关系识别。在中文篇章树库(CDTB)上进行的实验的结果显示,相比基准模型,所提方法在宏平均F1、微平均F1值上均得到了提高。

关键词：篇章分析隐式篇章关系识别主动学习多任务学习

来源：评论

学校读者我要写书评

暂无评论

一种基于层级信息优化的有向网络表示学习方法

引用

计算机科学 2021年第2期48卷 100-104页

作者：李鑫超李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

网络表示方法旨在将每个节点映射到低维向量空间,并保留节点在网络中的结构关系。有向网络的环中节点相互可达,破坏了非对称传递性,影响了模型对网络整体结构信息的学习。为削弱有向网络的环在表示学习中的影响,增强模型对全局结构信息... 详细信息

网络表示方法旨在将每个节点映射到低维向量空间,并保留节点在网络中的结构关系。有向网络的环中节点相互可达,破坏了非对称传递性,影响了模型对网络整体结构信息的学习。为削弱有向网络的环在表示学习中的影响,增强模型对全局结构信息的感知,文中提出了一种针对有向网络表示学习的优化方法。该方法借助TrueSkill方法获取节点的层级信息,将该信息转化为边权重并引入表示学习过程。文中将此方法应用到已有的多种有向网络表示学习方法中,多个有向网络数据集上的链接预测和节点分类任务的实验结果表明,所提方法的性能相比原有方法得到了明显提升。

关键词：有向网络表示学习层级信息链路预测

来源：评论

学校读者我要写书评

暂无评论

基于注意力机制的事件同指消解方法

引用

计算机科学 2019年第9期46卷 201-205页

作者：程昊熠李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州215006 江苏省计算机信息技术处理重点实验室江苏苏州215006

事件同指消解是一项具有挑战性的自然语言处理任务,它在事件抽取、问答系统、阅读理解中有着重要的作用。文中提出了一种基于全局和局部信息,并具有全局推理机制的可分解注意力神经网络模型DANGL(Decomposable Attention Neural network... 详细信息

事件同指消解是一项具有挑战性的自然语言处理任务,它在事件抽取、问答系统、阅读理解中有着重要的作用。文中提出了一种基于全局和局部信息,并具有全局推理机制的可分解注意力神经网络模型DANGL(Decomposable Attention Neural network based on Global and Local information),用于文档级的事件同指消解。神经网络模型DANGL与过去大部分以概率模型和图模型为基础的传统方法之间存在很大的区别。DANGL首先使用Bi-LSTM和CNN分别获取每个事件句的全局信息和局部信息;然后使用可分解注意力网络获取每个事件句中相对重要的信息;最后使用文档级全局推理模型进一步优化同指链。在TAC-KBP语料库上的实验显示,DANGL使用了少量的特征,且平均性能优于目前最好的基准系统。

关键词：事件同指全局和局部信息可分解注意力网络全局推理

来源：评论

学校读者我要写书评

暂无评论

基于主题相似度的宏观篇章主次关系识别方法

基于主题相似度的宏观篇章主次关系识别方法

引用

第十六届全国计算语言学学术会议暨第五届基于自然标注大数据的自然语言处理国际学术研讨会

作者：蒋峰褚晓敏徐昇李培峰朱巧明苏州大学计算机科学与技术学院江苏苏州 215006 江苏省计算机信息技术处理重点实验室江苏苏州 215006

篇章分析是自然语言处理领域的一个重要任务.分析篇章主次关系有助于理解篇章的结构和语义,并为自然语言处理的应用提供有力的支持.本文在微观篇章主次关系识别研究的基础上,重点研究宏观篇章主次关系,提出了一种基于word2vec和LDA的主... 详细信息

篇章分析是自然语言处理领域的一个重要任务.分析篇章主次关系有助于理解篇章的结构和语义,并为自然语言处理的应用提供有力的支持.本文在微观篇章主次关系识别研究的基础上,重点研究宏观篇章主次关系,提出了一种基于word2vec和LDA的主题相似度的宏观篇章主次关系识别模型.基于word2vec的主题相似度和基于LDA的主题相似度在不同维度上计算语义相似度,两者在语义层面形成互补,因而增强了模型识别宏观篇章主次关系的能力.该模型在宏观汉语篇章树库(MCDTB)上实验的F1值达到79.9％,正确率达到81.82％,相较基准系统分别提升了1.7％和1.81％.

关键词：宏观篇章主次关系主题相似度自然语言处理

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：