一对多实体关系少样本持续学习方法研究

【目的】在少量样本情况下识别句中一对多实体关系(如包含关系、并列关系等)实例,在新增类别后保持识别效果,实现持续学习。【方法】以LaserTagger模型为基础,利用文本生成的方法识别句子中包含、并列关系实体,并通过位置特征编码、加权Loss计算的方式增强模型在少样本情况下的特征学习能力,通过模型的压缩、扩展实现多个类别的持续学习。【结果】在少量训练样本的情况下,本文方法在5个类别上的SARI值均比基线模型提高1%以上;多类别依次学习的情况下,通过模型的压缩、扩展能够较好地保留模型已学习到的知识,SARI值最高能提升16.92%。【局限】仅选取包含关系、并列关系中的5种句式类别进行实验,数据类别较少,句式结构比较简单,暂未考虑模型在更多类别、更复杂句式情况下的性能。【结论】所提方法在一定程度上能满足少样本、多类别依次学习的应用场景,具有一定优越性。

中国数学学科突破性引用评价论文循证分析

[目的/意义]以引用内容中突破性评价句为证据,识别我国数学领域近10年来获得同行认可的突破性论文。[方法/过程]利用CiteOpinion工具开展引用句抽取、突破性评价识别、贡献点识别、正/负向引用句识别以及相关指标的计算,统计分析了获得突破性评价论文的机构分布、学科研究方向、引用评价句证据等内容。[结果/结论]近10年来,我国数学领域取得了一系列获得同行认可的高水平研究成果(突破性评价论文占比0.53%),突破性评价论文与被引数量没有线性关系,在学科研究方向上,应用数学方向的突破性论文平均数高于基础数学。