针对智能分析系统在页岩气领域的空白问题,基于知识图谱技术进行构建研究,在现有实体识别的基础上引入注意力机制和伪训练样本,提出了一种基于多神经网络与注意力机制的页岩气实体识别方法。首先将字映射为具有上下文语义的密集向量序列...针对智能分析系统在页岩气领域的空白问题,基于知识图谱技术进行构建研究,在现有实体识别的基础上引入注意力机制和伪训练样本,提出了一种基于多神经网络与注意力机制的页岩气实体识别方法。首先将字映射为具有上下文语义的密集向量序列,并采用卷积神经网络(convolutional neural networks,CNN)过滤局部语境;然后通过双向长短期记忆(bidirectional long short term memory,BiLSTM)网络对上下文隐藏状态进行捕获;最后利用注意力机制来解决标注不一致的问题,并结合条件随机场(conditional random field,CRF)进一步约束,实现高精度实体分类。在SGAS数据集上进行的实验与测试表明,所提方法的精确度、召回率、F度量值可分别达到99.32%、99.57%、99.44%,得到首个页岩气高精度实体识别模型,验证了所提方法的高效性。展开更多
文摘针对智能分析系统在页岩气领域的空白问题,基于知识图谱技术进行构建研究,在现有实体识别的基础上引入注意力机制和伪训练样本,提出了一种基于多神经网络与注意力机制的页岩气实体识别方法。首先将字映射为具有上下文语义的密集向量序列,并采用卷积神经网络(convolutional neural networks,CNN)过滤局部语境;然后通过双向长短期记忆(bidirectional long short term memory,BiLSTM)网络对上下文隐藏状态进行捕获;最后利用注意力机制来解决标注不一致的问题,并结合条件随机场(conditional random field,CRF)进一步约束,实现高精度实体分类。在SGAS数据集上进行的实验与测试表明,所提方法的精确度、召回率、F度量值可分别达到99.32%、99.57%、99.44%,得到首个页岩气高精度实体识别模型,验证了所提方法的高效性。
