基于潜在关系的实体关系联合抽取模型

实体关系联合抽取的作用是从特定文本中识别出实体和对应关系,同时它也是知识图谱构建和更新的基础。目前的联合抽取方法在追求性能的同时都忽略了抽取过程中的信息冗余。针对此问题,提出基于潜在关系的实体关系联合抽取模型,通过设计一种新的解码方式来减少预测过程中关系、实体和三元组的冗余信息,从整体上分为提取潜在实体对、解码关系两步来完成从句子中抽取三元组的任务。首先通过潜在实体对提取器预测实体间是否存在潜在关系,同时筛选出置信度高的实体对作为最终的潜在实体对;其次将关系解码视作多标签二分类任务,通过关系解码器预测每个潜在实体对之间全部关系的置信度;最后通过置信度确定关系数量和类型,以完成三元组的抽取任务。在两个通用数据集上的实验结果表明,所提模型相比基线模型在准确率和F1指标上的效果更好,验证了所提模型的有效性,消融实验也证明了模型内部各部分的有效性。

基于深度学习的非实验室场景人脸属性识别

非实验室场景下的人脸图片数量巨大,更加贴近生活,对其进行识别具有较大的研究价值。文中对非实验室环境下的人脸属性识别问题进行了研究,提出了一种人脸属性识别网络(Regional Multiple Layer Attributes Related Net,RMLARNet),不仅对人脸特征的提取方式进行了研究,还挖掘了人脸属性间的关系。该网络由3个部分组成:1、将人脸图像分割成包含属性部位的多个局部区域,并将这些局部区域作为输入提取特征信息;2、以Inception V3为迁移模型,采取多个不相邻卷积层迁移方式提取人脸特征;3、搭建了一个以人脸属性关系为约束的属性识别网络。实验结果表明,对CelebA数据集进行筛选处理,创建属性样本较平衡的CelebA-数据集,并在该数据集上设计实验将取得优于现有方法的实验效果。

基于卷积神经网络的灯具商品图像检索

建材商品数字化对有效使用电商平台家居资源具有重要意义,传统分类法未考虑主观特性且大部分特征需人工提取,存在细节特征丢失等问题。提出了一种基于卷积神经网络(简称CNN)的灯具图像分类法,并通过一系列预处理操作丰富数据集,提高图像识别率。检索过程结合卷积层和全连接层特征并融合YOLO算法完成复杂的标签分类任务,效果更加高效准确。