图神经网络在招投标文件分类中的应用

全国政府机关、事业单位的采购网站每天都会发布数万条招投标信息,如何快速有效的分类这些数据,成为挖掘其相应价值的关键.本文针对网络上招投标文件缺乏标注、文本语义稀疏、数据来源多样、信息结构复杂等问题,提出了一种基于图卷积神经网络的半监督分类方法(BD-GCN).该方法首先将爬取的招投标文件进行结构化清洗,并利用信息抽取技术构建为特殊的知识图谱模型,再融合外部文本信息,最后采用图卷积神经网络实现招投标文件的半监督分类.本文利用在网络上爬取的36123条招投标文件进行实验,并与当前流行的分类方法进行对比.实验结果表明,BD-GCN能有效提高分类的准确率.

基于图注意力神经网络的实体消歧方法

针对链接对象为存在半结构化数据的知识库,提出了一种基于图注意力神经网络的短文本实体指称消歧方法。通过信息抽取与融入关键词,将含有半结构化数据的知识库构建为全局知识图谱;同时基于Bert预训练模型对短文本中的实体指称项进行嵌入融合;使用图注意力神经网络对全局知识图谱中候选实体节点进行加权聚合表征,并计算实体指称项与各候选实体之间的相似度得分,实现实体消歧。在CCKS2019数据集上的实验结果表明,基于图注意力神网络的实体消歧模型有效提高了实体消歧效果。