基于跨语言数据增强的事件同指消解方法

事件同指消解是一个具有挑战性的自然语言处理任务,它在事件抽取、问答系统和阅读理解等任务中发挥着重要作用.现存的事件同指消解语料库的一个问题是标注规模较小,无法训练出高效能的模型.为了解决上述问题,该文提出了一个基于跨语言数据增强的事件同指消解神经网络模型ECR_CDA(Event Coreference Resolut...     

面向多语料库的通用事件指代消解

事件同指消解对篇章理解、信息抽取意义重大。该文在事件抽取完成的基础上聚焦事件同指,给出了一个基于卷积神经网络的事件同指消解完整框架,针对实例分布不均衡问题给出了基于事件语义类别和时态信息的事件兼容性过滤策略。为了最大化适用不同的事件标注策略,提出了最小事件本身描述和事件间关系描述相结合的特征表示方法。针对基于事件对模型进行同指消解产生的局部最优问题,给出了一种全局优化的后处理方案。在KBP2015和ACE2005语料上的各类实验表明,上述三个解决方案均能有效解决问题,提升整个事件同指消解平台的性能。     

一种面向生文本的事件同指消解神经网络方法

事件同指消解在自然语言理解中是一项复杂的任务,它需要在理解文本信息的基础上,发现其中的同指事件。事件同指消解在信息抽取、问答系统、阅读理解等自然语言任务中均有重要作用。该文提出了一个事件同指消解框架,包括事件抽取(ENS_NN)、真实性识别(ENS_NN)和事件同指消解(AGCNN)三个部分。事件同指消解模型(AGCNN)利用注意力池化机制来捕获事件的全局特征,利用门控卷积抽取复杂语义特征,提高了事件同指消解的性能。在KBP 2015和KBP 2016数据集上的实验结果表明,该文提出的方法优于目前最优的系统。     

航空安全事故因果关系抽取方法的研究

针对目前航空安全事故因果关系分析一般采用基于概率和统计的方法,缺乏对事故发生过程的详细分析这一问题,提出通过因果关系抽取挖掘事故的因果发展过程。针对世界航空安全事故调查报告构成的文本数据集,将航空安全事故因果关系分为显式因果关系和隐式因果关系,其中显式因果关系抽取采用模式匹配的方法,抽取准确率达到87.72%;隐式因果关系抽取则采用改进的基于自注意力机制的双向长短期记忆网络方法,该方法在公共数据集和航空安全数据集上的F值较基准方法分别提高近6%和10%。在有效实现单一航空安全事故因果关系对的识别与抽取的基础上,生成了每个事故的因果关系图,为深入分析航空安全事故发生过程和情景重现提供数据与方法支持。     

基于结构化表示的中文事件同指消解方法

事件同指消解是自然语言处理中一个具有挑战性的任务,它在事件抽取、问答系统和阅读理解中具有重要作用。针对事件的语义信息主要由触发词和论元表示这一个特点,该文将事件进行结构化表示并输入一个基于门控和注意力机制的模型GAN-SR(gated attention network with structured representation),在文档内进行中文事件同指消解。首先,该模型采用语义角色标注和依存句法分析技术对事件句进行浅层语义分析,抽取事件句信息并表示为一个事件五元组。其次,将各种事件信息输入GRU进行编码,然后使用多头注意力机制挖掘事件句和事件对之间的重要特征。在ACE2005中文语料库上的实验表明,GAN-SR的性能优于目前性能最好的基准系统。     

基于神经网络的端到端的事件指代消解研究

事件作为文本信息的关键语义组件,对篇章的理解具有重要意义。由于事件具有自身包含信息丰富、表达方式多样,以及在文本中分布稀疏等特点,使得事件指代消解成为自然语言处理领域的一个难点任务。在以往的事件指代消解任务中,多借助人工提取词匹配和句法结构等信息,再基于这些抽取的特征进行消解,然而这些特征并不能有效地处理具有复杂语义的事件任务。该文提出一种端到端的神经网络模型,通过多种词表征、双向循环神经网络和注意力机制来学习上下文的语义内容,从而完成事件的指代消解任务。在KBP2015、2016数据集上进行的事件指代消解实验验证了该文给出模型的有效性。实验结果表明,该神经网络模型能很好地理解文本语义信息,捕捉关键单词,提高事件指代消解任务的性能,最终端到端的事件指代消解性能在CoNLL评测标准下达到39.9%的F1值。     

校园网网络事件源定位技术研究

为了解决在校园网内部分网络安全事件和故障事件中只能确认攻击和事故的发生,而无法确定攻击和事故的源头这一问题,文章提出一种三步骤的校园网内网网络事件源定位模型。该模型将神经网络和证据理论相结合应用于攻击源定位,提高了校园网内网攻击定位的效率和准确性。     

校园网网络事件源定位技术研究

为了解决在校园网内部分网络安全事件和故障事件中只能确认攻击和事故的发生,而无法确定攻击和事故的源头这一问题.文章提出一种三步骤的校园网内网网络事件源定位模型.该模型将神经网络和证据理论相结合应用于攻击源定位.提高了校园网内网攻击定位的效率和准确性.     

基于量子遗传算法的煤矿安全评价模型

煤矿安全评价涉及诸多不确定信息,用传统评价方法难以确保最后评价结果的准确性和可靠性。为此利用RBF神经网络设计出煤矿综合安全评价模型,根据我国煤矿的实际情况,通过事故树(FTA)和事件树(ETA)分析,归纳煤矿事故发生的危险因素和影响矿井生产的不安全因素。同时为了克服神经网络易陷入局部最小,研究采用量子遗传算法对神经网络模型的权值(阈值)进行优化。将该方法应用在阜新矿业集团公司某矿,结果表明,该模型可以准确地评价煤矿安全生产,为煤矿安全评价提供一条新的途径,对煤矿安全生产起到了重要的指导意义。     

分数阶非因果BP神经网络模型

由一阶因果、反因果微分的定义推导出Caputo分数阶因果、反因果微积分,并在此基础上定义Caputo分数阶非因果微积分。将它们分别应用于BP神经网络的反向传播过程中对权值进行处理,产生了Caputo分数阶因果、反因果和非因果BP神经网络模型。为了方便对比,将这些模型分别对波士顿房屋数据集和MNIST数据集进行处理。模拟结果表明：在整数阶因果、反因果和非因果的模型之间,整数阶非因果模型的结果最好;分数阶因果、反因果和非因果模型分别与其相应的整数阶模型进行比较,得出分数阶模型得到的准确率比整数阶的高;在分数阶因果、反因果和非因果的模型之间,非因果的准确性最高。总的来说,Caputo分数阶因果、反因果和非因果微积分都对传统BP神经网络有优化作用,尤其是分数阶非因果微积分的优化效果最好。     

一种信息抽取系统中汉语同指消解算法

提出了信息抽取系统中同指求解方法，主要针对汉语篇章中与代词和定指短语相关的同指求解。该方法分为规则消解和统计因子消解两个组成部分。规则消解法给出了规则的一般形式、秩取途径及应用方法，还结合若干规则实例来表明规则的有效性。利用规则库中的规则对可能先行语进行分析过滤，如粜能“滤出”唯一的一个先行语，则这个即为求解到的先行语。否则进入统计因子消解过程。在这部分利用统计的方法，对消解因子库中的各因子分析求和，然后选择最大的作为求解的先行语。本算法具有很好的跨领域性和易扩展性，实现了该方法并进行了测试运行，结果表明该方法是行之有效的。     

因果图向故障树转换的研究

因果图模型可以表示整个复杂系统中各因素见的复杂因果关系,故障树是故障分析和安全可靠性分析的常用模型,如果因果图模型能够转换为故障树模型,将扩大因果图的应用范围,方便故障树建模。因此研究因果图向故障树的转换显得十分重要。文章在分析故障树与因果图概念和表示符号的基础上,提出了因果图转换为故障树的算法。通过因果图向故障树转换可以得到任何事件为顶事件的故障树模型,然后可以采用成熟的FTA方法进行分析,这样因果图模型中的一些问题也可以采用故障树的方法来解决。在假设因果图中的连接事件表示必然因果关系条件下,因果图可以转换为含有可能的因果关系的故障树。研究表明通过微因果树化,因果图可以转换为故障树,所以因果图模型具有广泛的适用性和应用前景。     

金融领域事件因果关系发现及事理图谱构建与应用

事理图谱是研究事物动态发展的有效手段。针对金融因果事理图谱构建过程中数据集匮乏及构建方案缺少实践对比的现状,该文面向金融领域中发生频率较高的热点事件,研究构建事理图谱的方法。该文提出了一种新的金融领域事件论元的定义,制定了基于ATT+SBV结构的句法分析方案,针对信息抽取任务提出了面向金融因果事件的序列标注定义。该文同时提出了一种基于BERT+Bi-LSTM+CRF模型的信息抽取方案,并与不同神经网络模型进行对比研究。实验结果表明,该模型在信息抽取任务中,F₁值达到95.78%,准确性有较大提升。该文通过Neo4j图数据库存储并构建金融因果事理图谱,以事件关系可视化的方式揭示现实金融事件的演变逻辑规律,分析金融网络的风险传导扩散机制。     

因果图在重大安全事故分析中的应用

将最小割集和最小径集的概念引入了因果图理论，并用于重大安全事故的定性和定量分析中。以煤矿行业为应用背景，通过最小割集、最小径集和事件对顶事件的概率影响，分析了各事件对瓦斯爆炸的影响，并在此基础上提供了事故预防方案。研究表明：因果图方法能有效地用于安全分析，是预测重大安全事故的定性和定量方法，并能为事故原因调查、事故预防措施提供有效的方案。采用因果图方法对煤矿瓦斯爆炸进行安全分析的结果与实际一致，在此基础上提出的预防措施比较有效。     

基于时序卷积网络的词级语言模型研究与应用

提出一种卷积神经网络——时序卷积神经网络.将该网络应用于语言模型,时序卷积神经网络的基本结构由输入层、扩大卷积层、因果卷积层、Relu层、Dropout层、输出层组成,将扩大卷积应用在语言模型中.实验结果表明,将语言模型的复杂度降到83.21,误差降到3.87,该网络同RNN比较复杂度下降14％、误差下降0.69,该网...     

基于转移的航空安全事件知识图谱表示学习

通过构造航空安全事件知识图谱并对其进行推理预测，可以有效预防航空安全事件的发生。目前，对于知识图谱的表示学习大多采用转移模型TransE，虽然其具有简单、高效的优势，但是在处理复杂关系时存在局限性。航空安全事件知识图谱不同于其他领域知识图谱，其中每个事件相互独立且又联系紧密，存在大量复杂关系，TransE模型不能很好地对其进行表示学习。为此，通过对航空安全事件语料库进行抽取来构建ASIKG数据集，利用公开数据集和ASIKG数据集对TransE的改进模型进行训练，实验结果表明，TransR模型在公共数据集上链接预测效果较好，而TransH模型在ASIKG数据集上取得了较好的链接预测效果。     

孪生神经网络交通标志编码识别算法

交通标志识别技术正在被逐步应用到汽车辅助驾驶领域。但是，遮挡、污损、天气环境变化等因素会严重影响交通标志识别的准确性和稳定性。针对该问题，提出了一种基于孪生神经网络的交通标志编码识别模型。该模型将交通标志的识别问题视为交通标志的卷积特征编码识别问题。通过卷积神经网络对交通标志训练样本和基准样本进行特征提取与编码。再利用孪生神经网络进行编码对比，结合对比损失函数对编码器训练调整。通过全连接层对输入通路的标志卷积编码进行重新组合与分类，从而实现交通标识的识别。实验结果表明，所提的基于改进孪生神经网络的编码器模型对存在运动模糊与遮挡的标志图像能生成有效、鲁棒的特征编码，相较于其他先进算法，具有更高的识别准确率。     

基于改进孪生神经网络的低频低压减载装置在线解耦控制方法

低频低压减载装置的过度应用导致装置系统出现负荷大的问题,降低了低频低压减载装置的实用性。为此,提出了基于改进孪生神经网络的低频低压减载装置在线解耦控制方法。该方法通过分析低频低压减载装置频率特性,为低频低压减载装置在线解耦控制提供了重要信息基础;在此基础上构建低频低压减载装置混合模型,从该模型中生成可训练的数据集,并依据潮流雅可比矩阵的减载特征最小值灵敏度,确定低频低压减载装置系统减载量;为提升系统的控制精度,将获取结果输入至改进孪生神经网络中,训练出最佳减载量,并将其分配到装置系统减载节点中,达到切除负荷的目的,实现低频低压减载装置在线解耦控制。通过对该方法开展减载效率对比测试、控制性能对比测试,实验结果验证了该方法具有较强的实用性。     

模糊因果图及在压力容器故障诊断中的应用

因果图理论是一种基于概率论的不确定推理模型,能够进行在线动态推理和对复杂系统进行故障诊断,但在因果图模型中,要求事件的发生概率为是精确值。针对实际情况事件发生概率具有模糊性和不确定性的特点,文中将模糊数引入因果图中,既解决了获取事件发生概率精确值的难度,又使因果图能处理带模糊性和不确定性的问题。并把它用于压力容器故障诊断,结果表明,该法行之有效。     

改进孪生神经网络的控制图模式识别方法

深度学习在控制图模式识别的运用上,易受控制图样本量和控制图质量特征数据点数的影响,针对这个问题,本文提出基于感知器-卷积神经网络的孪生神经网络(Perceptron-Convolutional Siamese Neural Network,PCSNN)模型,该模型先使用两层感知器将控制图原始数据映射到高维空间,再通过一...