基于问题回答模式的中文事件抽取

事件抽取是自然语言处理领域的一项基本任务。以问题回答模式进行事件抽取可以解决传统事件抽取方法存在的无法捕捉到不同事件类型中具有相似性的参数角色的语义信息等问题。目前相关学者以该模式提出的英文事件抽取方法受语言壁垒限制,其提出的问题模板在中文文本上提取效果不理想。为解决此问题,设计了一套符合中文事件抽取的问题模板的生成规则,选择BERT预训练模型作为中文事件抽取的基础模型,将问题回答模式应用到中文事件抽取任务中,并在ACE2005中文数据集进行测试。结果显示,在触发词识别、触发词分类、论元参数识别和论元参数的评价指标上,F1值分别达到77.7%、68.5%、51.5%和48.0%,在一定程度上验证了设计的问题模板的生成规则的有效性以及将问题回答模式应用到中文事件抽取任务中具有良好的抽取性能。

基于多尺度通道注意力机制的行为识别方法

针对可穿戴行为识别任务中小尺度的感受野难以提取长序列关联,大尺度感受野会导致特征压缩降低网络对信号特征的分辨率的问题。提出了一种基于多尺度通道注意力机制的行为识别方法。首先,从多个感受野提取时间特征和传感器通道特征,在保证信号具有低语义特征的同时提取信号的高语义特征;其次,在多尺度特征图之间建立跨通道关联,保证低语义特征和高语义特征之间的交互。多尺度通道注意力机制能够充分融合多尺度特征和多个特征图的关联信息,增强对微弱信号和剧烈信号的识别能力。在UCIHAR、DSADS、PAMAP2和UniMib-SHAR数据集上进行了对比实验,结果表明MSCA-HAR方法相比目前的主流方法在4个数据集上的分类准确率分别提升0.43%,0.75%,2.90%和0.83%。