铝硅合金实体关系抽取数据集的构建方法

针对材料领域没有适合材料实体关系抽取技术研究工作的公开数据集这一问题,通过研究高硅铝合金喷射沉积文献提出铝硅合金实体关系抽取数据集的构建方法. 在材料领域专家的指导下制定铝硅合金实体关系抽取数据集的构建标准,并根据构建标准对收集的数据进行实体标注和关系标注. 在标注完成后,通过数据预处理生成铝硅合金实体关系抽取数据集. 通过实体关系联合抽取模型进行实验,验证该数据集可以应用于实体关系抽取任务. 与公开数据集相比,材料数据集句子的语义和语法更为复杂,长句更多,导致实体关系联合抽取模型在材料数据集上的表现略差. 针对上述问题,在实体关系联合抽取模型上加入自注意力机制,使该模型整体的F1值提高了约5.8%. 该数据集的构建方法具有普适性,可以通过该构建方法构建材料数据集.     

基于Jena的唐卡领域本体推理

考虑了唐卡的内涵和外延、分类边界、分类粒度以及各个类、实例之间的关系,采用Protégé平台构建了唐卡领域本体。在此基础上,导入推理规则库并创建了信息模型本体,基于Jena构建了适用于唐卡领域本体中的推理规则库,实现了唐卡领域本体中概念之间、实例之间间接关系和隐含关系的推理。最后,以唐卡中具有特殊意义的法器为例进行了推理和查询,验证了推理规则的有效性和合理性;以释迦牟尼为例查询了其直接描述和间接关系,从而实现了基于语义的唐卡知识库的查询。     

基于提及图和显式路径的文档级关系抽取方法

为有效汇聚实体间信息,利用实体间路径信息判断语义关系,提出一种基于提及图和显式路径的文档级关系抽取方法。利用基于提及对类型的图构建方法,通过融合提及间天然存在的结构化信息,结合图注意力网络,实现实体间信息的汇聚;利用基于显式路径的关系推理方法,包括显式路径构建方法和启发式的路径特征融合方法两个子方法,通过显式方式构建关系推理路径,将推理路径分为句内推理路径、句间推理路径、直接推理路径,实现区分句内推理和句间推理,差异化融合路径特征,提高关系路径推理能力,增强关系抽取的准确度。在3个公开数据集上的对比试验表明,本方法在F₁和Ign F₁指标上较目前主流方法存在优越性,验证了基于提及图和显式路径的文档级关系抽取方法能够更有效地支持文档级关系抽取任务。     

一种基于Roberta的中文实体关系联合抽取模型

在实体关系抽取研究领域中,目前多采用任务串联式的方式对实体关系进行抽取,此方式忽视多任务之间的联系,导致抽取效果不佳,对数据中客观存在的关系重叠问题也不能很好解决.针对上述问题,本文提出了一种基于Roberta语言模型的实体关系联合抽取模型.该模型结合条件随机场、卷积神经网络和自注意力机制,实现了实体关系的准确联合抽取.实验结果表明,本方法在中文的实体关系联合抽取方面表现比经典的Multi-head Selection以及DGCNN模型好,尤其体现在解决典型关系重叠问题方面.     

基于知识图谱的风电机组诊断系统构建与应用

针对风力发电机故障诊断与维修过程不明确以及历史故障数据记录大量遗留等问题,提出一种以知识图谱的方式构建的风力发电机故障诊断系统。首先,通过改进的命名实体识别模型BERT-BiLSTM-CRF对故障文本进行知识抽取。数据集采用了近10年来的风力发电机故障案例、事故分析等文本数据。实验结果表明：在风力发电机故障领域中,改进的实体识别方法相比于传统模型效果提升了2.54%。其次,对抽取的知识实体进行结构化分析,由于传统故障树在实际故障推理中缺乏目的性,且每个底事件相对于顶事件的重要性不同,提出以故障的特征属性为分支条件引入到故障树推理中,完成故障树定性与定量分析,并结合故障模式影响和危害性分析(FMECA)完善故障领域知识模型;再对知识结构完成本体化建模,使用Protégé开发工具对故障树结构完成了基于六元组概念的本体建模,使构建的本体知识库满足推理的前提条件。最后,通过Neo4j实现知识模型的可视化,并提升了知识数据的读写能力。     

基于信息熵的半监督领域实体关系抽取研究

针对监督机器学习方法抽取实体关系受限于标注语料的规模问题,提出采用信息熵方法来不断扩展小规模训练数据的半监督领域实体关系抽取。结合领域词汇选取小规模训练数据,构建了一定准确率的初始最大熵分类器,用来从未标记数据中预测出候选新实例。采用信息熵方法,通过设定不同熵值,多次循环以选取可信度较高的新实例来扩展训练数据。使用扩展后的训练数据重新迭代训练分类器,分类器性能趋于稳定迭代终止,实现了半监督学习的领域实体关系抽取。实验表明,和已有方法相比,本文提出的半监督领域实体关系抽取通过结合信息熵方法,在小规模标注样本环境中取得了较好的学习效果。     

一种改进的形式化本体模型研究

基于对象、属性、类及其之间的4个主要关系,即实例关系、属关系、抽象关系和区分关系,提出一种本体三角形模型.该模型符合人的抽象思维过程,其核心机制是抽象原理.采用一阶逻辑等值演算形式化定义该模型结构,根据实体及其关系分析其约束机制,论述相应公理,解释一些重要推论.这种形式化本体理论系统描述了分类学,为实现本体框架奠定了基础,可用于实现知识推理.     

基于深度神经网络的港口机械问答系统设计

针对港口机械设备种类繁多,技术繁杂导致信息检索效率低的问题,设计了港口机械智能问答系统。系统采用Protégé编辑本体模型,并依托领域专家的评价构建本体知识库;在此基础上分别基于BERT-BiLSTM-CRF模型和BiLSTM-Attention模型完成命名实体的识别和实体关系的抽取,最后结合SPARQL语句特点将自然语言问句转换为结构化查询语句,检索知识库并输出结果。测试结果表明,该系统能够智能化回答港口机械领域的相关问题,相较于传统的关键词检索方式,检索准确度和效率有极大提升,在工程应用中有一定的现实可行性。     

基于本体的图像语义检索模型

在分析目前基于语义的图像检索的局限性后,提出了运用本体论原理,结合MPEG-7的特征描述所构建的图像语义资源描述树来构建图像领域本体模型的方法.利用OWL强大的语义描述能力及自扩展机制来描述这个模型的组织结构,从而能够在模型的基础上建立有效的语义推理引擎,同时利用开发工具protégé实现了这个基于本体的图像语义检索模型,为今后模型在语义网络上的具体应用打下了良好的基础.     

基于深度强化学习的文本实体关系抽取方法

从文本大数据中快速准确地抽取文本的实体关系信息是构建知识图谱的关键.针对目前主流的远程监督关系抽取方法常常忽略实体对的类型信息和句子语法信息的问题,该文提出了一种基于深度强化学习的文本实体关系抽取方法.首先,利用结合实体周围词注意力机制的双向长短期记忆网络作为句子编码的第一个模块;然后,在此基础上加入实体类型嵌入模块,...