基于本体特征的汽车领域命名实体识别

针对汽车领域命名实体识别中汽车属性名识别的准确率和召回率较低的问题,提出了一种基于本体特征的汽车领域命名实体识别方法。通过扩展现有叙词表,基于叙词表构建汽车领域本体,提取语料中的本体特征,利用CRFs模型对汽车领域命名实体进行识别。实验结果表明,本体特征能够有效地识别出汽车属性实体,准确率、召回率和F值分别为75.60%,66.12%和70.54%。     

基于决策树的现代汉语中任职关系抽取研究

在命名实体识别的研究基础之上,论文把抽取人名实体与机构实体间的任职关系看成分类问题．即根据现代汉语句子中任职动词的类别属性将任职关系信息抽取模式分类．应用决策树的方法确定句子的抽取模式,实现人在机构中的任职关系信息抽取．并对建立的基于该决策树的任职关系抽取系统进行开放测试,平均召回率和精确率分别为91．47％和89．15％,实验结果表明,基于决策树的现代汉语中任职关系抽取是一种值得继续探讨的方法．     

基于弱监督学习的中文百科数据属性抽取

提出基于弱监督学习的属性抽取方法, 利用知识库中已有结构化的属性信息自动获取训练语料, 有效解决了训练语料不足问题. 针对训练语料存在的噪声问题, 提出基于关键词过滤的训练语料优化方法. 提出n元模式特征提取方法, 该特征能够缓解传统n-gram特征稀疏性问题. 实验数据源来自互动百科, 从互动百科信息盒中抽取结构化属性信息构建知识库, 从百科条目文本中自动获取训练数据和测试数据. 实验结果表明, 关键词过滤能有效提高训练语料的质量, 与传统n-gram特征相比, n元模式特征能够提高属性抽取的性能.     

抽象语义和全局交互的对话关系抽取方法

为解决对话关系抽取任务中实体间关联语义信息稀疏、获取核心语义和触发线索困难等问题,提出一种新型的对话关系抽取模型。在对话文本中融入抽象语义表示来增强对话的核心语义,以解决在对话关系提取过程中出现的语义缺失和逻辑纠缠问题;引入全局对话交互机制,通过对关键线索的捕捉来改善对话中有效信息稀疏的问题;通过增加明确的结构信息来进一步丰富实体间的关系特征,使模型能够更好地理解对话文本。实验结果表明：相较于基线模型BERTs,文中提出的模型在数据集DialogRE上的F₁和F_1C分别提升了5.5%和6.2%;相比于序列模型CNN、LSTM和BiLSTM,在对话关系抽取中准确率提高9%以上,效果显著。文中模型在复杂对话场景中的泛化能力更好,鲁棒性更强。     

基于术语长度和语法特征的统计领域术语抽取

针对领域术语抽取中含字长度较大的术语被错误切分的问题,本文提出一种基于术语长度和语法特征的统计领域术语抽取方法。本方法在利用机器学习抽取候选术语时,加入基于术语长度和语法特征的约束规则;在使用统计方法确定候选术语的领域性时,充分考虑词长比这一概念的重要性,将其作为判断术语领域性的重要权值。实验表明,提出的方法能够正确抽取含字长度较大的领域术语,抽取结果的准确率和召回率相比以往的方法有所提高。     

一种中医名词术语自动抽取方法

针对中医领域,提出了一种基于条件随机场的术语抽取方法,该方法将中医领域术语抽取看作一个序列标注问题,将中医领域术语分布的特征量化作为训练的特征,利用CRF工具包训练出一个领域术语模型,然后利用该模型进行术语抽取.选择<名医类案>作为中医领域文本进行术语抽取实验,取得了较好的效果,准确率为83.11%,召回率为81.04...     

特定领域下关系模板的研究

以“公司人事变动”领域为例,针对实体关系抽取课题,从知识自动获取角度出发,基于Bootstrapping思想提出了层次知识获取模型,利用内外两层模块相互嵌套自动获取知识,获得了实体关系分析所需要的领域专用词典和模板规则。结合全信息理论,对模板添加语义和语用标注,生成全信息知识库。在此基础上,完成关系抽取实验和评测。     

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,...     

基于实体消歧的中文实体关系抽取

针对开放文本中中文实体关系抽取的一词多义问题,提出一种基于实体消歧的中文实体关系抽取方法。首先,从知网中挖掘出具有潜在语义关系的实体对,并利用贝叶斯分类的语义消歧方法实现从知网到维基百科的实体映射,以获取高质量的关系实例;然后,根据这些关系实例抽取出其对应文本中共现的句子实例,构建基本的抽取模式;最后通过模式合并的方法生成新模式,再使用新模式来抽取新实例。实验结果表明,该方法与没有进行语义消歧和模式合并的方法相比准确率有所提高。     

自适应属性选择的实体对齐方法

现有实体对齐方法普遍存在传统方法依赖外部信息和人工构建特征,而基于表示学习的方法忽略了知识图谱中的结构信息的问题。针对上述问题,提出自适应属性选择的实体对齐方法,融合实体的语义和结构信息训练基于两个图谱联合表示学习的实体对齐模型。提出使用基于自适应属性选择的属性强约束模型,根据数据集特征自动生成最优属性类型和权重约束,提升实体对齐效果。两个实际数据集上的试验表明,该方法与传统表示学习方法相比准确率最高提升了约11%。