基于Bi-LSTM和TFIDF的工单事件提取

电网工单数据是电网运行情况以及客户满意程度的主要信息来源,近年来,有学者将深度学习的方法应用于工单数据的关键信息提取,但是提取出的关键词、词还不足以完整描述工单反映的具体情况。本文提出了一种事件抽取模型,先通过一定的方式进行文本预处理,确定标签体系和特征模板,再用Bi-LSTM和CRF相结合的模型进行实体识别和标注,最后通过TFIDF模型提取出事件表达,将该模型用于电网工单数据的事件抽取,用准确率、召回率和F1得分作为模型的评价标准,证明了该模型在工单数据分析中的可用性。

恶劣环境条件下海外天然气管道站场事故演化知识图谱建模及预警方法

近年来恶劣环境条件(雷电、风、雨)频发,给长输油气管道尤其是海外油气管道的长期安全运行带来了重大威胁。海外油气管道的运行与应急救援面临着恶劣环境条件下的管道风险事故数据不足、跨国协同较为困难等问题。为解决当前管道事故预警模型过于依赖现场运行数据或事故相关数据的情况,该文利用恶劣环境条件下的天然气管道站场有限的事故文本数据,提出了一种基于知识图谱的站场事故演化预警模型。该模型采用双向长短期记忆网络-条件随机场算法(Bi-LSTM-CRF)对站场事故文本进行因果关系抽取,并加入了文本特征以增强抽取效果,然后利用Neo4j图数据库根据因果关系抽取的结果,建立了恶劣环境条件下海外天然气管道站场事故演化知识图谱。结果表明:相较于传统长输管道站场事故预警方法,该文所提出的基于知识图谱的站场事故预警模型不仅能够实现站场事故的预警,还能够实现对事故的路径预测以及事故应急决策推荐。这证明了该预警模型不仅可用性好,还能够有效地帮助海外天然气管道站场安全管理人员进行准确的风险控制与事故预防。

基于军事领域知识图谱的智能问答系统设计与实现

针对军事领域的知识图谱的应用,设计实现了基于军事领域知识图谱的合成旅指挥员智能问答系统。首先,通过对军事领域应用的特点分析,设计实现了基于Jieba工具的中文分词模块、基于双向长短期记忆网络-条件随机场(Bidirectional Long Short Term Memory-Conditional Random Field,BiLSTM-CRF)的命名实体识别模块和基于Cypher语言的问题查询模块等关键模块;然后,构建了基于环球军事网以及新浪军事中爬取到的新闻数据构建数据集,进而基于此数据集进行命名实体识别算法实验对比分析;最后,对BiLSTM-CRF算法进行参数调优,使得模型的识别效果达到最优,进而对系统进行了展示。