期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多头自注意力机制和对抗训练的实体关系联合抽取
被引量:
1
1
作者
甘雨金
李红军
+3 位作者
唐小川
王子怡
甘晨灼
胡正浩
《成都理工大学学报(自然科学版)》
CAS
CSCD
北大核心
2024年第3期513-521,共9页
实体关系联合抽取是构建知识图谱的重要阶段,旨在抽取文本中存在语义关系的实体对。针对已有的实体关系联合抽取方法在抽取过程中存在的冗余关系预测、实体关系重叠以及上下文潜在语义信息捕捉不足的问题,提出联合多头自注意力机制和对...
实体关系联合抽取是构建知识图谱的重要阶段,旨在抽取文本中存在语义关系的实体对。针对已有的实体关系联合抽取方法在抽取过程中存在的冗余关系预测、实体关系重叠以及上下文潜在语义信息捕捉不足的问题,提出联合多头自注意力机制和对抗训练的方法进行实体关系的抽取。该方法利用多头自注意力机制捕获潜在语义特征,以提升模型对上下文语义信息的感知能力;将对抗训练引入模型的训练阶段,以增强模型的泛化能力和鲁棒性。实验结果表明:与现有主流模型对比,提出的模型在NYT和WebNLG两个公共数据集上都取得了更优的F 1值,在处理实体关系重叠问题以及不定数量三元组抽取上都能保持稳定的性能表现,验证了模型的有效性。
展开更多
关键词
实体关系联合抽取
对抗训练
多头自注意力
知识图谱
下载PDF
职称材料
基于线性低秩卷积与道路网络的城市流量推断
2
作者
刘树林
李红军
+1 位作者
甘雨金
罗茜雅
《计算机工程》
CAS
CSCD
北大核心
2024年第7期333-341,共9页
细粒度城市流量推断(FUFI)旨在从粗粒度交通流量中推断出真实的细粒度交通流量,以代替在现实世界中大量传感器设备的作用。现有的FUFI方法仅考虑到时间、天气等外部因素特征,忽略了道路网络特征对城市交通流的重要影响。此外,现有方法...
细粒度城市流量推断(FUFI)旨在从粗粒度交通流量中推断出真实的细粒度交通流量,以代替在现实世界中大量传感器设备的作用。现有的FUFI方法仅考虑到时间、天气等外部因素特征,忽略了道路网络特征对城市交通流的重要影响。此外,现有方法使用的传统残差网络结构对交通流的低级特征捕获能力不足,低级特征容易在网络深层消亡。为解决以上问题,提出一种使用线性低秩卷积与全局注意力Transformer的细粒度城市流量推断模型LLCGAT,以更好地捕获交通流的低级特征并融合道路网络特征的学习。该模型在考虑外部因素的基础上,首先将城市的道路网络作为重要的特征与交通流特征融合,并使用广泛激活的线性低秩卷积对综合特征进行特征提取,然后将综合特征与道路网络特征分别接入注意力Transformer的编码器和解码器中以进一步捕获交通流的全局空间分布。在TaxiB J-P1和Xi An两个真实世界数据集上的实验结果表明,LLCGAT模型将平均绝对百分比误差分别降低了3.3%和10.7%,均方根误差分别降低了2.3%和2.4%,平均绝对误差分别降低了3.8%和6.3%。
展开更多
关键词
智能交通系统
细粒度城市流量推断
道路网络特征
线性低秩卷积
Transformer架构
下载PDF
职称材料
题名
基于多头自注意力机制和对抗训练的实体关系联合抽取
被引量:
1
1
作者
甘雨金
李红军
唐小川
王子怡
甘晨灼
胡正浩
机构
成都理工大学计算机与网络安全学院(示范性软件学院)
出处
《成都理工大学学报(自然科学版)》
CAS
CSCD
北大核心
2024年第3期513-521,共9页
基金
国家自然科学基金(42050104)
自然资源部深时地理环境重建与应用重点实验室开放基金项目(DGERA20221102)。
文摘
实体关系联合抽取是构建知识图谱的重要阶段,旨在抽取文本中存在语义关系的实体对。针对已有的实体关系联合抽取方法在抽取过程中存在的冗余关系预测、实体关系重叠以及上下文潜在语义信息捕捉不足的问题,提出联合多头自注意力机制和对抗训练的方法进行实体关系的抽取。该方法利用多头自注意力机制捕获潜在语义特征,以提升模型对上下文语义信息的感知能力;将对抗训练引入模型的训练阶段,以增强模型的泛化能力和鲁棒性。实验结果表明:与现有主流模型对比,提出的模型在NYT和WebNLG两个公共数据集上都取得了更优的F 1值,在处理实体关系重叠问题以及不定数量三元组抽取上都能保持稳定的性能表现,验证了模型的有效性。
关键词
实体关系联合抽取
对抗训练
多头自注意力
知识图谱
Keywords
joint extraction of entities and relations
adversarial training
multi-head self-attention mechanism
knowledge graph
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于线性低秩卷积与道路网络的城市流量推断
2
作者
刘树林
李红军
甘雨金
罗茜雅
机构
成都理工大学计算机与网络安全学院
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第7期333-341,共9页
基金
国家自然科学基金(42050104)
成都理工大学自然资源部深时地理与环境重建及应用重点实验室开放基金(DGERA20221102)。
文摘
细粒度城市流量推断(FUFI)旨在从粗粒度交通流量中推断出真实的细粒度交通流量,以代替在现实世界中大量传感器设备的作用。现有的FUFI方法仅考虑到时间、天气等外部因素特征,忽略了道路网络特征对城市交通流的重要影响。此外,现有方法使用的传统残差网络结构对交通流的低级特征捕获能力不足,低级特征容易在网络深层消亡。为解决以上问题,提出一种使用线性低秩卷积与全局注意力Transformer的细粒度城市流量推断模型LLCGAT,以更好地捕获交通流的低级特征并融合道路网络特征的学习。该模型在考虑外部因素的基础上,首先将城市的道路网络作为重要的特征与交通流特征融合,并使用广泛激活的线性低秩卷积对综合特征进行特征提取,然后将综合特征与道路网络特征分别接入注意力Transformer的编码器和解码器中以进一步捕获交通流的全局空间分布。在TaxiB J-P1和Xi An两个真实世界数据集上的实验结果表明,LLCGAT模型将平均绝对百分比误差分别降低了3.3%和10.7%,均方根误差分别降低了2.3%和2.4%,平均绝对误差分别降低了3.8%和6.3%。
关键词
智能交通系统
细粒度城市流量推断
道路网络特征
线性低秩卷积
Transformer架构
Keywords
Intelligent Transportation System(ITS)
Fine-grained Urban Flow Inference(FUFI)
road network feature
linear low-rank convolution
Transformer architecture
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多头自注意力机制和对抗训练的实体关系联合抽取
甘雨金
李红军
唐小川
王子怡
甘晨灼
胡正浩
《成都理工大学学报(自然科学版)》
CAS
CSCD
北大核心
2024
1
下载PDF
职称材料
2
基于线性低秩卷积与道路网络的城市流量推断
刘树林
李红军
甘雨金
罗茜雅
《计算机工程》
CAS
CSCD
北大核心
2024
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部