排序方式: 共有4条查询结果,搜索用时 781 毫秒
1
1.
事件论元抽取是事件抽取任务中一个极具挑战性的子任务.该任务旨在抽取事件中的论元及论元扮演的角色.研究发现,句子的语义特征和依存句法特征对事件论元抽取都有着非常重要的作用,现有的方法往往未考虑如何将两种特征有效地融合起来.因此,提出一种基于门控图卷积与动态依存池化的事件论元抽取模型.该方法使用BERT抽取出句子的语义特征;然后通过依存句法树设计两个相同的图卷积网络,抽取句子的依存句法特征,其中一个图卷积的输出会通过激活函数作为门控单元;接着,语义特征和依存句法特征通过门控单元后相加融合.此外,还设计了一个动态依存池化层对融合后的特征进行池化.在ACE2005数据集上的实验结果表明,该模型可以有效地提升事件论元抽取效果. 相似文献
2.
基于应变片阵列的机器人变刚度关节力矩传感器研究 总被引:1,自引:0,他引:1
设计了一种新型的机器人关节力矩传感器,主要用于获取关节处的力矩和转角信息,以此来计算关节刚度。传感器是由传递力矩的弹性体、旋转电位计和信号处理电路组成。弹性体通过结构参数的设计与优化来提高灵敏度。信号处理电路一方面用于对旋转电位计的输出电压信号进行滤波,另一方面对由2×2应变片阵列组成的两组全桥电路进行放大和滤波处理。最后,通过对传感器进行加载实验获得力矩、角位移与输出电压的关系,采用最小二乘法对传感器进行静态标定。传感器输出的转角和力矩信息可作为控制系统的调控依据。 相似文献
3.
4.
目前先进的事件论元抽取方法通常使用BERT模型作为编码器,但BERT巨大的参数量会降低效率,使模型无法在计算资源有限的设备中运行。提出一种新的事件论元抽取方法,将事件论元抽取教师模型蒸馏到2个不同的学生模型中,再对2个学生模型进行集成。构造使用BERT模型和图卷积神经网络的事件论元抽取教师模型,以及2个分别使用单层卷积神经网络和单层长短期记忆网络的学生模型。先通过均方误差损失函数对学生模型和教师模型的中间层向量进行知识蒸馏,再对分类层进行知识蒸馏,使用均方误差损失函数和交叉熵损失函数让学生模型学习教师模型分类层的知识和真实标签的知识。在此基础上,利用加权平均的方法对2个学生模型进行集成,从而提升事件论元抽取性能。使用ACE2005英文数据集进行实验,结果表明,与学生模型相比,该方法可使事件论元抽取F1值平均提升5.05个百分点,推理时间和参数量较教师模型减少90.85%和99.25%。 相似文献
1