融合对抗训练及全局指针的实体关系联合抽取

实体关系联合抽取旨在从文本中抽取出实体关系三元组, 是构建知识图谱十分重要的步骤之一. 针对实体关系抽取中存在的信息表达能力不强、泛化能力较差、实体重叠和关系冗余等问题, 提出了一种实体关系联合抽取模型RGPNRE. 使用RoBERTa预训练模型作为编码器, 提高了模型的表达信息能力. 在训练过程中引入了对抗训练, 提升了模型的泛化能力. 使用全局指针, 解决了实体重叠的问题. 使用关系预测, 排除不可能的关系, 减少了冗余的关系. 在基于schema的中文医学信息抽取数据集CMeIE上进行的实体关系抽取实验表明, 模型的F1值比基准模型提升了约2个百分点, 在实体对重叠的情况下, 模型的F1值提升了近10个百分点, 在单一实体重叠情况下, 模型的F1值提升了大约1个百分点, 说明该模型能够更准确地提取实体关系三元组, 从而有效提升知识图谱构建的准确度. 在含有1–5个三元组的对比实验中, 在拥有4个三元组的句子中, 模型的F1值提升了约2个百分点, 而在拥有5个及以上三元组的复杂句子中, F1值提升了约1个百分点, 说明该模型能够较好地处理复杂句子场景.     

油气田地下地质学在数字地大工程中的教学实践与思考

21世纪是教育的世纪 ,处于信息时代的高校教育其内涵在时间和空间上得到进一步的拓展 ,本文从计算机辅助教学 (CAI)的应用前提分析入手 ,探讨了CAI课件在专业课中的教学实践及特点 ,在此基础上总结了CAI课件的研制与应用在数字地大工程中的教学实践及思考     

高校大数据实验室及实验体系的规划与建设

大数据产业已上升至国家战略,建立大数据实验室及实验课程体系是培养大数据技术人才的必要条件.本文对大数据的知识体系进行了梳理,分析了"数据科学与大数据技术"专业和"大数据技术与应用"专业的培养目标及职业定位,明确了大数据专业的学生应该掌握的关键知识和需要重点培养的专业技能,介绍了主流的大数据生态系统,选取了最通用的大数据架构,提出了在单机环境、单机虚拟化环境、共享大数据集群环境、云计算环境下建设大数据实验室的不同方案,并设计了大数据实验课程体系及实验项目.     

数据驱动的实验室智能管理平台

为有效利用数据进行实验室管理,研究了实验室管理模型,提出数据驱动的实验室智能管理流程和逻辑架构.采用标签系统将实验室数据和实验室评估GBDT等算法模型进行分类存储,构建以标签系统为条件的实验室智能管理平台,实现了批处理和场景化两种模式的实验室管理.智能管理平台扩展性强,能在实验室全生命周期发挥作用.     

CAI使用中常见的问题及对策

CAI即计算机辅助教学。近年来它以其直观形象、声形并茂及不受时空限制等优势,对教学工作起到了极大的推动作用。各学校争先恐后地上设备、学技术、搞普及。这充分体现了CAI在教学工作中的积极作用,也说明了CAI的普及使用已成为现实。但在近年CAI的使用中出现了一些问题。这些问题不解决,就会妨碍现代化教学手段的使用,也势必会极大影响教学效果。我在长期使用CAI的过程中,发现CAI课件中主要存在以下几个方面的问题。一、选题不准。对教材内容不分析,不区分,无论什么内容都扣上CAI的大帽子在实际运用中,我们常常可以看到有些CAI课件就是将课本内容原封不动地搬到幻灯片上或大屏幕上,简直就是课本内容的翻版。这样做浪费人力、物力不说,其效果并没有提高,有时甚至还不如使用课本来得实在、有效。造成这种情况的原因有两个。一个是制作者是本学科教师,但他们没有吃透教材,把握不住重点。不知哪个知识点该用什么样的方法表达更容易让学生接受。比如。教学生单词时,我们有什么必要费九牛二虎之力将其搬到屏幕上呢?我们只需用课本认真教学生读几遍,记下来就可以了。但对于有些需要比较的词或知识点,比如,across和through的用法的区别就可以用多媒体设...     

融合实体特征及多种类注意力机制的领域关系抽取模型

基于远程监督的关系抽取方法可以明显地减少人工标注数据集的成本,已经被广泛应用于领域知识图谱的构建任务中.然而,现有的远程监督关系抽取方法领域针对性不强,同时也忽略了对领域实体特征信息的利用.为了解决上述问题,提出了一种融合实体特征和多种类注意力机制的关系抽取模型PCNN-EFMA.模型采用远程监督和多实例技术,不再受限于人工标注.同时,为了减少远程监督中噪声的影响,模型使用了句子注意力和包间注意力这两类注意力,并在词嵌入层和句子注意力中融合实体特征信息,增强了模型的特征选择能力.实验表明,该模型在领域数据集上的PR曲线更好,并在P@N上的平均准确率优于PCNN-ATT模型.