KENAOTE：一种知识增强的方面和意见对提取多任务学习模型

方面和意见对提取旨在根据给定句子提取方面和意见项并匹配关系,然而相关研究通常独立提取方面和意见项,而不识别关系。为了识别方面和意见项关系,提出一种知识增强的方面和意见对提取多任务学习模型。首先使用预训练语言模型为文本生成具有语义信息的词向量,为了实现知识增强的效果,使用遮蔽注意力的方式将知识图谱的语义信息融入词向量中,然后使用基于距离注意力和条件随机场的序列标注方法提取方面和意见项,最后再将提取的方面和意见项两两匹配预测对应关系。为了加强方面和意见项提取模块和匹配模块的联系,采用共享编码层的方式实现联合训练。在训练流程中,匹配模块采用真实标签作为输入,在测试过程中采用提取模块的结果作为输入。为了证明模型的有效性,使用三个通用领域数据集进行对比实验,该模型在方面和意见项匹配任务中F1值分别达到66.99%、75.17%和67.30%,并优于其他比较模型。     

适用于数据链网络的改进动态源路由协议

动态源路由(DSR)协议在数据链网络中的缺点是控制开销过大,导致低网络带宽时容易发生拥塞,根据数据链网络节点的群组移动特性,提出了一种基于位置估计的协议改进方法。将节点位置信息应用到协议中,分别从路由发现和路由维护两个方面减少协议的控制开销,当与下一跳节点链路断开时,通过依次搜索本节点到后续节点的路由来提高数据包的拯救概率。仿真实验结果表明,改进算法有效地控制了协议开销,同时又减小了数据包丢弃的概率。     

数据链时隙分配算法设计与仿真

数据链被称为未来军队作战力量的＂粘合剂＂和＂倍增器＂,已经成为各国军事研究的重点课题。针对数据链在高动态空空通信的环境需求,提出了一种动态可变帧长的自组织时隙分配算法,该算法可以根据网络规模对帧长度进行自适应调整,能够适用于空高动态的通信环境,具有较好的实际应用价值。使用OPNET软件,对所提出的数据链时隙分配算法进行了仿真分析,结果表明该算法具有良好的实时性和可扩展性。     

一种新型STDMA数据链系统时隙分配模型

文章针对空空武器协同数据链的需求,提出了一种新型复合式自组织时分多址时隙分配模型,将固定分配和预约分配两种模式相结合。系统根据业务需求进行模式间的自主切换,各模式内部也可根据业务量进行帧结构动态调整。模型充分利用自组织特性,完成工作模式、时隙与网络的动态管理,以满足系统需求。并对此模型的性能进行了分析。     

基于KVM虚拟化的网络环境自动构建技术研究

针对传统网络环境构建存在成本高、效率低、可控性差的问题,进行了虚拟网络环境自动化构建技术研究,提出了一种基于KVM虚拟化的网络环境自动构建新技术：首先形式化描述真实网络,根据描述结果利用基于内核的虚拟机（KVM）和Click虚拟化生成主机、路由器,然后采用终端路由器路由表洪泛（TRTF）算法计算路由表信息,通过脚本技术对主机与路由器自动设置,形成最终虚拟网络。实验结果表明,利用本文构建算法,构建规模100个节点的网络环境仅需95s。在构建网络中进行了DDoS模拟实验,结果表明网络连通性状况良好,构建网络可用于网络安全事件重现。     

基于启发式的比特币地址聚类方法

针对比特币这种新型的数字货币,通过分析其交易规律和交易地址关系,综合多个交易聚类特征,提出一种基于启发式条件的聚类方法,能够对匿名比特币地址进行相关性聚类,从而发现被同一用户团体控制的地址群,有助于分析用户的交易特征,推测用户的真实身份.设计了具体的聚类方案,分析了迭代次数对聚类效果和代价的影响.大量的实验分析结果验证了该方法的准确性和全面性.     

BGPNRE:一种基于BERT的全局指针网络实体关系联合抽取方法

实体-关系联合抽取指从非结构化文本中联合抽取出实体-关系三元组，是信息抽取和知识图谱构建的一项关键任务。文中提出了一种新的基于全局指针网络实体关系联合抽取方法BGPNRE(BERT-based Global Pointer Network for Named Entity-Relation Joint Extraction),首先通过潜在关系预测模块预测文本中蕴含的关系，过滤掉不可能存在的关系，将实体抽取限制在预测的关系子集中；其次通过使用基于关系的全局指针网络，获取所有主客体实体的位置；最后通过全局指针网络通信模块，将主客体位置高效率地解码对齐成一个实体关系三元组。该方法避免了传统管道式方法存在的错误传播问题，同时也解决了关系冗余、实体重叠、Span提取泛化不足等问题。实验结果表明，所提方法在多关系和重叠实体抽取上表现卓越，并且在NYT和WebNLG公共数据集上达到了最先进的水平。     

基于知识增强的命名实体识别方法研究

命名实体识别作为自然语言处理中一项十分基础的任务，其目的是从一段用自然语言描述的文本中识别出相应的实体及类型。知识图谱作为以三元组形式存在的外部知识，已经在很多自然语言处理任务中得以应用并取得了良好效果。文中提出了一种基于知识图谱信息增强的注意力对齐命名实体识别方法，首先通过嵌入层和注意力机制嵌入知识图谱信息，获取知识图谱三元组信息的表示；其次通过BERT-BiLSTM获取句子的上下文表示；然后通过一种注意力对齐模块分配三元组权重融合知识图谱信息与句子信息的表示；最后通过softmax控制融合后的表示向量的预测输出，进而获取实体的标签。该方法有效避免了因知识图谱的融合而改变原句子的语义信息，同时也使得句子中的词向量具有丰富的外部知识。所提方法在中文通用数据集MSRA和医疗领域专用数据集Medicine上的F1值分别达到了95.73%和93.80%,相比基线模型提升了1.21%和1.3%。