目的考察不同剂量60Co辐照(0、2、6和10 kG y)对乌金丸有效成分益母草碱含量的影响。方法采用梯度高效液相色谱(HPLC)法检测益母草碱的含量,应用SPSS软件对试验结果进行统计分析。结果益母草碱在0、2、6和10 kG y的辐照处理后含量分别为...目的考察不同剂量60Co辐照(0、2、6和10 kG y)对乌金丸有效成分益母草碱含量的影响。方法采用梯度高效液相色谱(HPLC)法检测益母草碱的含量,应用SPSS软件对试验结果进行统计分析。结果益母草碱在0、2、6和10 kG y的辐照处理后含量分别为0.138、0.135、0.139和0.137 mg·g-1。统计学分析发现,经不同剂量辐照灭菌后乌金丸中益母草碱的含量与无辐照相比无显著性差异(P>0.05)。结论60Co辐照灭菌对乌金丸中益母草碱的含量无影响。展开更多
针对大多数跨度模型将文本分割成跨度序列时,产生大量非实体跨度,导致了数据不平衡和计算复杂度高等问题,提出了基于跨度和边界探测的实体关系联合抽取模型(joint extraction model for entity relationships based on span and boundar...针对大多数跨度模型将文本分割成跨度序列时,产生大量非实体跨度,导致了数据不平衡和计算复杂度高等问题,提出了基于跨度和边界探测的实体关系联合抽取模型(joint extraction model for entity relationships based on span and boundary detection,SBDM)。SBDM首先使用训练Transformer的双向编码器表征量(bidirectional encoder representations from Transformer,BERT)模型将文本转化为词向量,并融合了通过图卷积获取的句法依赖信息以形成文本的特征表示;接着通过局部信息和句子上下文信息去探测实体边界并进行标记,以减少非实体跨度;然后将实体边界标记形成的跨度序列进行实体识别;最后将局部上下文信息融合到1个跨度实体对中并使用sigmoid函数进行关系分类。实验表明,SBDM在SciERC(multi-task identification of entities,relations,and coreference for scientific knowledge graph construction)数据集、CoNLL04(the 2004 conference on natural language learning)数据集上的关系分类指标S F1分别达到52.86%、74.47%,取得了较好效果。SBDM用于关系分类任务中,能促进跨度分类方法在关系抽取上的研究。展开更多
文摘目的考察不同剂量60Co辐照(0、2、6和10 kG y)对乌金丸有效成分益母草碱含量的影响。方法采用梯度高效液相色谱(HPLC)法检测益母草碱的含量,应用SPSS软件对试验结果进行统计分析。结果益母草碱在0、2、6和10 kG y的辐照处理后含量分别为0.138、0.135、0.139和0.137 mg·g-1。统计学分析发现,经不同剂量辐照灭菌后乌金丸中益母草碱的含量与无辐照相比无显著性差异(P>0.05)。结论60Co辐照灭菌对乌金丸中益母草碱的含量无影响。
文摘针对大多数跨度模型将文本分割成跨度序列时,产生大量非实体跨度,导致了数据不平衡和计算复杂度高等问题,提出了基于跨度和边界探测的实体关系联合抽取模型(joint extraction model for entity relationships based on span and boundary detection,SBDM)。SBDM首先使用训练Transformer的双向编码器表征量(bidirectional encoder representations from Transformer,BERT)模型将文本转化为词向量,并融合了通过图卷积获取的句法依赖信息以形成文本的特征表示;接着通过局部信息和句子上下文信息去探测实体边界并进行标记,以减少非实体跨度;然后将实体边界标记形成的跨度序列进行实体识别;最后将局部上下文信息融合到1个跨度实体对中并使用sigmoid函数进行关系分类。实验表明,SBDM在SciERC(multi-task identification of entities,relations,and coreference for scientific knowledge graph construction)数据集、CoNLL04(the 2004 conference on natural language learning)数据集上的关系分类指标S F1分别达到52.86%、74.47%,取得了较好效果。SBDM用于关系分类任务中,能促进跨度分类方法在关系抽取上的研究。