基于词向量扩展的语义信息检索研究综述及应用展望

运用词向量技术,对检索关键词进行语义相似度计算和查询扩展,得到查询扩展词集,实现更好的检索效果,提高数字学术文献信息检索的查准率和查全率,并提出基于词向量扩展的数字学术文献语义信息检索框架。

基于双向GRU神经网络和双层注意力机制的中文文本中人物关系抽取研究

实体关系抽取是知识抽取的重要组成部分。与传统模式识别的方法相比,深度学习的方法在关系抽取任务中表现得更为突出。目前关于中文的关系抽取技术的研究主要是基于核函数和远程监督的方法,而且数据集中的噪音数据对实验结果带来的负面影响不可忽视。提出一种基于双向GRU神经网络和双层注意力机制的中文关系抽取模型。结合中文语言的结构特点,采用字向量的形式进行输入,针对遗忘性问题,采用双向的GRU神经网络对输入向量进行融合。从一个句子中提取出字级别的特征信息,并通过句子级别的注意力机制来提取句子特征。利用远程监督的方法在新闻网站上抽取约8 000条数据进行验证。实验结果表明,双层注意力机制的神经网络模型可以充分利用句子的所有特征信息,准确率和召回率相较于未加入注意力机制的神经网络模型都有显著提升。

基于短语模式的情感分析

对文本的情感分析充分利用文本的语义信息,在文本检索领域、网上调查及舆情监测领域是非常有价值的,是目前智能信息处理领域研究的重点和热点。本文针对网民关于话题评论简单,数目众多的特点,应用大连理工大学情感词本体库,利用How Net和word2vec扩展情感词典,利用短语模式计算文章的情感值,最终判断文章的情感倾向。利用这一技术可以在一定程度上解决网络评论信息杂乱的现象,方便用户准确定位所需信息。