检索结果-内蒙古大学图书馆

北京大学学报(自然科学版) 2025年

作者：周青拥措拉毛东只尼玛扎西西藏大学信息科学技术学院西藏自治区藏文信息技术人工智能重点实验室藏文信息技术教育部工程研究中心

实体关系抽取是自然语言处理的关键任务之一，在藏医药领域的应用对于构建藏医药知识图谱、智能辅助诊断和药物研发具有重要意义。然而，由于藏医药术语的特殊性、文本资源的稀缺以及语言处理的复杂性，传统的实体关系抽取方法难以直接... 详细信息

实体关系抽取是自然语言处理的关键任务之一，在藏医药领域的应用对于构建藏医药知识图谱、智能辅助诊断和药物研发具有重要意义。然而，由于藏医药术语的特殊性、文本资源的稀缺以及语言处理的复杂性，传统的实体关系抽取方法难以直接应用于藏医药领域。本文提出了一种基于跨度表示的藏医药文献实体关系抽取方法，通过使用跨度表示方法和TibetanAI＿ALBERT＿v2.0预训练语言模型进行编码，枚举潜在候选的实体，解决实体嵌套不能充分识别的问题，同时引入KL散度来约束模型训练和推理阶段模型不一致问题。实验结果表明，该方法在藏医药领域的实体关系抽取数据集TibetanAI＿TMDisRE＿v1.0上取得了显著的性能提升，精确率、召回率和F1值分别达到了84.85%、77.35%和80.81%。

关键词：藏文藏医药实体关系抽取联合抽取

来源：评论

学校读者我要写书评

暂无评论

基于位置和词性特征的藏文情感三元组抽取模型

引用

计算机技术与发展 2025年第2期35卷 130-137页

作者：斯曲卓嘎拥措赛鸣宇西藏大学信息科学技术学院西藏拉萨850000 西藏自治区藏文信息技术人工智能重点实验室西藏拉萨850000 藏文信息技术教育部工程研究中心西藏拉萨850000

藏文情感三元组(方面词、情感词、情感极性)是细粒度情感分析的核心任务,对于深入理解藏族情感表达和趋势至关重要。但藏文的独特语言结构和文化背景导致其情感表达方式与其他语言不同,从而增加了细粒度情感分析的复杂性。为了提高藏文... 详细信息

藏文情感三元组(方面词、情感词、情感极性)是细粒度情感分析的核心任务,对于深入理解藏族情感表达和趋势至关重要。但藏文的独特语言结构和文化背景导致其情感表达方式与其他语言不同,从而增加了细粒度情感分析的复杂性。为了提高藏文情感三元组的提取能力,该文提出了OpinionNet-OTE-MTL模型,该模型融合了词性信息、Word2Vec词向量和绝对位置向量,并通过双向长短时记忆网络(BILSTM)进行特征提取。其中,由于藏文词性种类较多,该文分析了大量的情感数据集并从中提取出11种词性辅助模型识别。最后,为了验证OpinionNet-OTE-MTL模型的有效性,在自构建的2000句藏文细粒度情感分析数据上进行了对比实验和消融实验。消融实验表明,词性较位置信息对模型的影响更大,其三元组抽取F1值提高了3.06百分点;对比实验结果表明将词性和位置特征融入进模型后,在情感三元组提取(Triple)任务上的精确率、召回率和F1值较基线实验提高了4.73百分点、6百分点、6.14百分点,融入词性和绝对位置信息使模型能更精确地理解藏文的语法结构和语义规则,从而提升了情感三元组分类任务的准确度。

关键词：藏文 Word2Vec 词性位置特征情感三元组

来源：评论

学校读者我要写书评

暂无评论

融合对抗训练与迭代膨胀卷积的藏医药命名实体识别方法

引用

高原科学研究 2025年第1期9卷 105-118页

作者：拉毛杰万玛才旦拥措高兴尼玛扎西西藏大学信息科学技术学院西藏拉萨850000 西藏自治区藏文信息技术人工智能重点实验室西藏拉萨850000 藏文信息技术教育部工程研究中心西藏拉萨850000

当前藏文命名实体识别模型在处理藏医药领域的实体识别任务时,往往面临迁移性和泛化能力受限以及语义关联捕捉不充分和实体边界模糊等问题。文章提出一种融合对抗训练与迭代膨胀卷积的藏医药文本命名实体识别模型(TM-ATD)。该方法首先... 详细信息

当前藏文命名实体识别模型在处理藏医药领域的实体识别任务时,往往面临迁移性和泛化能力受限以及语义关联捕捉不充分和实体边界模糊等问题。文章提出一种融合对抗训练与迭代膨胀卷积的藏医药文本命名实体识别模型(TM-ATD)。该方法首先基于《四部医典》构建了藏文音节标注的数据集TibetanAI_YUTOK_NER。其次采用预训练模型对藏文音节进行特征编码,融合对抗训练生成对抗样本以增强模型鲁棒性和泛化能力;通过双向长短时记忆网络捕捉序列依赖关系;采用迭代膨胀卷积全面捕捉文本上下文信息和全局特征,并利用多头自注意力机制增强局部上下文的理解能力,强化实体边界信息和文本语义关联。最后采用条件随机场进行解码操作输出最优标签序列。实验结果表明,融合对抗训练与迭代膨胀卷积的方法在藏医药文本数据集和藏文数据集TibetanAI_NER上的F1值分别达到了76.59%和54.91%,相较于基线模型,F1分别提升了3.03%和0.77%。

关键词：藏医药命名实体识别预训练模型对抗训练膨胀卷积

来源：评论

学校读者我要写书评

暂无评论

基于对比损失的低资源语言情感分类

引用

电脑知识与技术 2025年第6期21卷 9-11页

作者：杜广进拥措西藏大学信息科学技术学院西藏拉萨850000 西藏自治区藏文信息技术人工智能重点实验室西藏拉萨850000 藏文信息技术教育部工程研究中心西藏拉萨850000

随着自然语言处理技术的快速发展,跨语言预训练模型为低资源语言处理提供了新的研究途径。然而,现有模型在马来语、豪萨语等低资源语言上的性能仍有待提升,主要受限于训练数据的匮乏和质量不均。特别是在情感分类任务中,传统的全参数微... 详细信息

随着自然语言处理技术的快速发展,跨语言预训练模型为低资源语言处理提供了新的研究途径。然而,现有模型在马来语、豪萨语等低资源语言上的性能仍有待提升,主要受限于训练数据的匮乏和质量不均。特别是在情感分类任务中,传统的全参数微调方法难以充分利用有限训练集中标签之间的关系,导致模型在不同类别上的性能差异显著。针对这一挑战,该文提出了一种基于对比损失的低资源语言情感分类方法(CL-LRSC),通过在多语言预训练模型的微调过程中引入对比损失,优化文本在向量空间的表示。该方法在保持传统交叉熵损失的基础上,通过对比学习使相同情感类别的文本表示相互靠近,不同情感类别的文本表示相互远离。在阿姆哈拉语、印尼语和豪萨语三种低资源语言的情感分类实验中,该方法显著提升了分类性能。实验结果表明,在XLM-R模型上,印尼语和豪萨语的F1分数分别从89.19%提升至91.96%和从66.00%提升至71.48%。研究成果为解决低资源语言的情感分类问题提供了新的思路。

关键词：情感分类低资源语言对比损失多语言预训练模型

来源：评论

学校读者我要写书评

暂无评论

基于预训练模型的SST-5数据集的五类情感分析

引用

电脑知识与技术 2025年第9期21卷 38-41页

作者：扎西永珍拥措西藏大学信息科学技术学院西藏拉萨850000 西藏自治区藏文信息技术人工智能重点实验室西藏拉萨850000 藏文信息技术教育部工程研究中心西藏拉萨850000

该文探讨了Robust Sentiment Analysis(RSA)模型在细粒度情感分类中的有效性,使用SST-5数据集进行实验。本研究利用预训练模型的logits输出作为句子特征向量,随后通过支持向量机(SVM)和多层感知机(MLP)进行二次训练。在实验中,对数据进... 详细信息

该文探讨了Robust Sentiment Analysis(RSA)模型在细粒度情感分类中的有效性,使用SST-5数据集进行实验。本研究利用预训练模型的logits输出作为句子特征向量,随后通过支持向量机(SVM)和多层感知机(MLP)进行二次训练。在实验中,对数据进行了详细的预处理,并对特征提取、模型训练和参数调优进行了系统性探索。同时,比较了支持向量机(SVM)和多层感知机(MLP)在情感识别任务中的表现。实验结果表明,RSA模型提取的特征具有较强的判别能力,经过SVM和MLP的训练后,分类性能显著提高。研究验证了预训练语言模型在细粒度情感分析中的应用价值,并为社交媒体舆情监测等实际场景提供了有益的实践指导。此外,文章还讨论了模型在误差、噪声处理及局限性方面的挑战,并提出了未来优化的方向。

关键词：情感分析 SST-5数据集预训练语言模型微调技术自然语言处理

来源：评论

学校读者我要写书评

暂无评论

基于元迁移学习技术的中文评论情感分类方法

引用

信息与电脑 2025年第08期 67-69页

作者：赵廷霖拥措西藏大学信息科学技术学院西藏自治区藏文信息技术人工智能重点实验室

大量未标注且杂乱的评论是当下情感分类任务面临的难题。文章提出了基于语义的特征迁移策略，对不同领域间的语句进行语义相关度和语义相似度度量，并量化排序，从而将源领域特征项的类别指示作用迁移至目标领域。此外，还提出了语句情... 详细信息

大量未标注且杂乱的评论是当下情感分类任务面临的难题。文章提出了基于语义的特征迁移策略，对不同领域间的语句进行语义相关度和语义相似度度量，并量化排序，从而将源领域特征项的类别指示作用迁移至目标领域。此外，还提出了语句情感空间向量元模型（Sentence Emotion Space Vector Meta Model,SESVMM），实验表明该方法具有可行性和优越性。

关键词：元迁移学习中文评论情感分类语义相似度语义相关度

来源：评论

学校读者我要写书评

暂无评论

基于藏文字符感知的文本预训练模型方法研究

引用

计算机工程与应用 2024年第21期60卷 127-133页

作者：洛桑嘎登尼玛扎西西藏大学信息科学技术学院拉萨850000 西藏大学西藏自治区藏文信息技术人工智能重点实验室拉萨850000

目前藏文预训练模型主要使用音节作为藏文单词表示。采用音节嵌入构建藏文单词表示,会存在藏文单词表示不完整且鲁棒性不高的问题。为了应对这一挑战,提出了一个名为藏文字符感知的预训练模型,该模型融合藏文字符、字丁和音节三个维度... 详细信息

目前藏文预训练模型主要使用音节作为藏文单词表示。采用音节嵌入构建藏文单词表示,会存在藏文单词表示不完整且鲁棒性不高的问题。为了应对这一挑战,提出了一个名为藏文字符感知的预训练模型,该模型融合藏文字符、字丁和音节三个维度的特征,从藏文更细粒度的信息表征藏文单词特征。利用原始数据集和对抗性拼写错误测试集,评估了所提出的方法在藏文自动分词和命名实体识别任务上的性能。实验结果表明,该方法可以同时提高藏文预训练语言模型的性能和鲁棒性。

关键词：藏文预训练模型字符感知

来源：评论

学校读者我要写书评

暂无评论

基于多特征融合及奖惩机制的藏医药领域实体关系联合抽取

引用

中文信息学报 2024年第3期38卷 65-74,83页

作者：于韬拥措高兴尼玛扎西西藏大学信息科学技术学院西藏拉萨850000 西藏自治区藏文信息技术人工智能重点实验室西藏拉萨850000 藏文信息技术教育部工程研究中心西藏拉萨850000

实体关系联合抽取任务旨在识别命名实体的同时可抽取实体间的语义关系。该文提出了一种基于多特征融合及奖惩机制的藏医药领域实体关系联合抽取方法,针对基于序列标注的联合抽取方法中标注策略的局限性及特征单一、模型学习能力有限的问... 详细信息

实体关系联合抽取任务旨在识别命名实体的同时可抽取实体间的语义关系。该文提出了一种基于多特征融合及奖惩机制的藏医药领域实体关系联合抽取方法,针对基于序列标注的联合抽取方法中标注策略的局限性及特征单一、模型学习能力有限的问题,提出以下解决方案:①使用嵌套实体标注策略突破原有标注方法的局限;②使用类别特征静态融合、多特征动态融合方法及奖惩机制分别用于特征增强及模型优化。实验结果表明,该文方法提升了藏医药领域联合抽取模型的效果,模型最终的F 1值为79.23%。同时,为了证明该文模型的鲁棒性及有效性,还在SKE及NYT领域数据上进行了相关实验,实验结果验证该模型的有效性,且优于基线方法。

关键词：藏医药实体关系联合抽取多特征融合奖惩机制

来源：评论

学校读者我要写书评

暂无评论

基于预训练的藏医药实体关系抽取

引用

中文信息学报 2024年第8期38卷 76-83页

作者：周青拥措拉毛东只尼玛扎西西藏大学信息科学技术学院西藏拉萨850000 西藏自治区藏文信息技术人工智能重点实验室西藏拉萨850000 藏文信息技术教育部工程研究中心西藏拉萨850000

藏医药领域的文本主要以非结构化形式保存,藏医药文本的信息抽取对挖掘藏医药的知识有重要作用。针对现有藏文实体关系抽取模型语义表达能力差、嵌套实体抽取准确率低的问题,该文介绍了一种基于预训练模型的实体关系抽取方法,使用Tibeta... 详细信息

藏医药领域的文本主要以非结构化形式保存,藏医药文本的信息抽取对挖掘藏医药的知识有重要作用。针对现有藏文实体关系抽取模型语义表达能力差、嵌套实体抽取准确率低的问题,该文介绍了一种基于预训练模型的实体关系抽取方法,使用TibetanAI_ALBERT_v2.0预训练语言模型,使得模型更好地识别实体,使用Span方法解决实体嵌套问题。在Dropout的基础上,增加了一个KL散度损失函数项,提升了模型的泛化能力。在TibetanAI_TMIE_v1.0藏医药数据集上进行了实验,实验结果表明,精确率、召回率和F1值分别达到了84.5%、80.1%和82.2%,F1值较基线提升了4.4个百分点,实验结果证明了该文方法的有效性。

关键词：藏医药实体关系抽取预训练语言模型

来源：评论

学校读者我要写书评

暂无评论

基于藏文Albert预训练语言模型的图采样与聚合实体关系抽取

引用

中文信息学报 2022年第10期36卷 63-72页

作者：于韬尼玛次仁拥措尼玛扎西西藏大学信息科学技术学院西藏拉萨850000 西藏大学西藏自治区藏文信息技术人工智能重点实验室西藏拉萨850000 西藏大学藏文信息技术教育部工程研究中心西藏拉萨850000

实体关系抽取任务是对句子中实体对间的语义关系进行识别。该文提出了一种基于Albert预训练语言模型结合图采样与聚合算法(Graph Sampling and Aggregation,GraphSAGE)的实体关系抽取方法,并在藏文实体关系抽取数据集上实验。该文针对... 详细信息

实体关系抽取任务是对句子中实体对间的语义关系进行识别。该文提出了一种基于Albert预训练语言模型结合图采样与聚合算法(Graph Sampling and Aggregation,GraphSAGE)的实体关系抽取方法,并在藏文实体关系抽取数据集上实验。该文针对藏文句子特征表示匮乏、传统藏文实体关系抽取模型准确率不高等问题,提出以下方案:①使用预先训练的藏文Albert模型获得高质量的藏文句子动态词向量特征;②使用提出的图结构数据构建与表示方法生成GraphSAGE模型的输入数据,并通过实验证明了该方法的有效性;③借鉴GraphSAGE模型的优势,利用其图采样与聚合操作进行关系抽取。实验结果表明,该文方法有效提高了藏文实体关系抽取模型的准确率,且优于基线实验效果。

关键词：藏文实体关系抽取 Albert GraphSAGE

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：