基于证据图推理的文档级实体关系抽取

[研究目的]为缓解文档级实体关系抽取任务中存在的句子噪声问题,提高文档级实体关系抽取性能,提出一种基于证据图推理的文档级实体关系抽取方法,为文档级实体关系抽取和知识发现研究提供参考。[研究方法]通过启发式规则捕获实体对间关系推理所需证据句路径信息;引入图结构学习思想将证据句路径信息融入异构文档图;基于关系图卷积网络进行关系推理以提升文档图对证据句信息的聚合能力;采用前馈神经网络对实体关系进行预测,实现文档级实体关系高效抽取。[研究结论]所提出的模型在国际公开文档级评测数据集CDR和GDA上F1值分别达到71.3%和85.4%,较基准模型EIDER提高1.2%与1.1%。实验结果表明该方法能够有效选择实体关系推理所需证据路径,提升文档级实体关系抽取性能。

基于图神经网络的关系抽取研究综述

在关系抽取任务中,通常利用构建依赖树或句法树来获得更深层和丰富的结构信息.图神经网络作为一种强大的图结构数据表示学习方法,可以更好地对这种复杂数据结构进行建模.本文介绍了基于图神经网络的关系抽取方法,旨在深入理解该领域的最新研究进展和趋势.首先简要介绍了图神经网络的分类和结构,然后详细阐述了基于图神经网络的关系抽取方法的核心技术和应用场景,包括句子级和文档级方法,以及实体关系联合抽取方法.并分析和比较了各个方法的优缺点和性能表现,并探讨了未来可能的研究方向和挑战.

基于中文字邻接图的食品抽检公告实体及关系联合抽取

在对中文食品抽检公告进行实体与关系抽取时,常会出现包含大量食品名称与食品分类的长句,现有深度学习模型在进行实体关系抽取时,只将文本看作一串字词序列来编码,当句子较长且词间距离过大时,词间强依赖关系的学习效果会减弱。而这一问题在食品领域的实体关系抽取中少有被关注,所以该研究提出基于改进中文依存句法树与多特征融合的实体关系联合抽取模型(TAG-JE),该模型将词间具有的强依赖关系通过句法依存树建立关系图,再根据中文BERT编码的字处理模式,将关系图转化为字邻接图,再由图神经网络学习字邻接图的结构特征,最后将之与BERT提取的文本上下文特征融合,融合权重通过门网络结构自主调节,以获得公告文本的多特征融合特征表示。获得的融合特征将采用主流的联合抽取模型进行实体与关系的抽取,并在关系判断时使用强化学习训练的关系选择器来优化关系的嵌入信息,以提升联合抽取方法在关系判断上的准确率。为了验证TAG-JE的效果,将其与主流的深度学习模型在自建的非结构化食品抽检公告数据集上进行了抽取效果对比,结果证明TAG-JE的精确率、召回率与F1值分别达到90.86%,90.50%,90.68%,相对其他基线模型都有较大提升,证明了其在中文食品抽检文档中的知识挖掘能力。针对中文公共数据集的试验中,该模型相对GraphRel与CasRel这些经典联合抽取模型也取得较好的结果,证明TAG-JE也有较好的泛化效果。研究结果可为食品安全中文知识图谱的构建提供技术参考。

基于语义图嵌入的实体与关系联合识别方法

为加强实体识别任务与关系识别任务之间的联系,获取实体关系隐含的结构特征,提出一种基于语义图嵌入的实体与关系联合识别方法。根据识别得到的实体关系三元组构建语义图,采用图神经网络对语义图进行编码,捕获文本中隐含的实体关系结构特征,从而获取更丰富的语义信息,提高识别效果。在Lc-QUAD2.0,CWQ以及KQA pro数据集上进行测试,结果表明,提出方法提高了实体识别和关系识别效果,验证了该方法的有效性。

基于图神经网络文档相似度的实体与关系层次匹配方法

针对文本中深层语义难以计算的问题,提出了基于句法依存关系的多头图注意力实体关系联合抽取模型和融合层次类型的文档相似性匹配。首先通过多头图注意力网络对文本进行实体关系抽取,然后设计融合层次类型的词移距离相似性计算方法以及基于图相似的文档相似性计算模型,利用文档中的实体和关系构建图结构,根据图级特征进行相似性计算。最后,通过对比实验验证了所提方法在文档相似性计算、图相似度计算和图分类任务中的有效性。

融合迭代式关系图匹配和属性语义嵌入的实体对齐方法

实体对齐是知识融合中的关键步骤,用于解决多源知识图谱中实体冗余、指代不明等问题。目前,大多数的实体对齐方法主要依赖于邻域网络,而忽略了关系间的连通以及属性信息,导致模型无法捕捉到复杂关系,额外信息也没有被充分利用。针对上述问题,提出一种迭代式关系图匹配和属性语义嵌入的实体对齐方法,将〈头实体,关系,尾实体〉进行转置,生成〈头关系,实体,尾关系〉构建,与实体图相对应的关系图,接着利用注意力机制编码实体和关系表示,二者通过相互迭代,能够更好地表示实体,再融合属性表示最终判定两个实体是否对齐。实验结果表明,本模型在DBP15K 3个跨语言数据集中显著优于其他6种方法,相比于最好方法Hit@1指标提升了4%,证明了关系匹配和属性语义的有效性。

利用Pro/E的三维实体创建工程图

工程图在产品设计过程中是很重要的,它一方面体现着设计结果,另一方面也是指导生产的参考依据,是对我们的设计进行文档化的产物。过去由于难以直接作三维描述,就只好先借助于正投影方法,把三维实体分别投影为多个二维视图,画到图纸上,通过想象加以综合,以恢复为设计者原来的三维实体形状,其后再进行分析、工艺设计、加工等操作,要花费大量的时间、人力和物力,而且易出错。用Pro/E创建工程图和用二维CAD系统画图是一个互逆的过程,我们利用Pro/E软件提供的三维实体造型功能。

基于科技文献的锡铟材料知识图谱构建研究

随着科技文献数量的爆发性增长,垂直领域的企业面临着知识服务的挑战。为了帮助新材料领域企业有效利用科技文献信息资源,迫切需要使用人工智能技术对包含的材料性能等关键知识的专利及学术论文进行深入的知识建模,提供知识获取效率和准确性。以锡铟贵金属领域的10.48万篇科技文献为数据源,构建领域知识本体,利用BERT+BiLSTM+CRF模型进行命名实体识别,利用BERT+BiGRU神经网络模型进行关系抽取,将抽取结果存入图数据库Neo4j中并构建锡铟贵金属材料领域的知识图谱。所构建的知识图谱拥有18.19万个实体节点和23.47万条关系,能够实现多粒度的材料实体和关系的关联查询与可视化。基于锡铟科技文献构建知识图谱的方法拓展了新材料领域知识图谱构建的研究思路,为开展基于科技文献的垂直领域智能知识问答等应用提供了坚实的基础。

基于有向图的数据流图的E-R模型构建方法

建立概念模型是数据库设计的重要步骤之一,E-R模型是数据库设计中广泛采用的概念模型。本文提出利用业务分析过程中形成的数据流图,把数据流图抽象为有向图,从而构建E-R模型的方法。在大型系统数据库设计过程中,使用这一方法可以快速构建局部应用的E-R模型,大大缩短数据库设计过程中构建E-R模型所耗费的时间。实例验证了本方法在实际工程项目中的实用性和有效性。

基于词汇融合和依存关系的中文命名实体识别

命名实体识别是自然语言处理领域的重要基础任务,为关系抽取、构建知识图谱等众多下游任务提供有价值的数据支撑。针对中文命名实体识别存在分词错误、实体边界模糊和上下文依赖的难点,以及现有方法不能充分利用词汇信息和有效提取文本内部特征等问题,提出一种基于词汇融合和依存关系的中文命名实体识别模型。首先,获取输入文本中每个字符的自匹配词生成词汇特征向量,并根据字符在它的自匹配词上的位置得到词边界信息,利用双仿射注意力机制将字符向量与词汇特征向量进行融合,将词汇信息和词边界信息融入模型的编码过程,从而使模型获得良好的实体识别能力;然后,根据依存句法建立输入文本的依存图结构,利用图注意力网络(GAT)捕获输入文本内部依存关系特征,增强文本内部的语义依赖信息,同时有利于区分实体边界;最后,使用条件随机场(CRF)计算文本的标签。实验结果表明,该模型在CCKS2017、OntoNote4.0和MSRA数据集上分别获得了92.10%、80.76%和95.66%的F1值,优于对比模型。

基于改造E—R图的计算机操作系统进程同步教学研究

提出将"实体—联系"方法引入计算机操作系统进程同步教学中,通过改造原E-R图定义,提出基于改造E—R图的计算机操作系统进程同步教学方法。

基于依存图卷积的实体关系抽取模型

目前大多数端到端的关系抽取方法解决了流水线方法的误差累计问题,但是仍然存在两个问题:结构特征表示不足,缺乏句法结构等信息;句子中存在着大量实体重叠关系,未考虑这些实体重叠关系的抽取导致关系三元组召回率低的问题。针对这些问题,提出一种基于图卷积神经网络的实体关系抽取模型。使用依存句法分析对文本构图,然后通过双向GraphSage提取其结构特征,融入句法结构的特征向量在预测关系时有着更好的表现。而对于关系重叠问题,一次性将所有关系抽取较为困难,因此将该任务分为两步:第一步只抽取非重叠关系与单实体重叠关系;第二步中语言模型抽取关系触发词,并与实体词一起构建实体关系图,这一步能够提高实体对重叠关系的抽取能力。

优化E—R图和关系规范化的联系及应用

关系数据库的范式设计可有效地解决数据的操作异常现象，本文以干部评估系统的实例说明规范化在数据库设计实施中的必要性、可行性及指导意义。

在Pro/E中将复杂三维图转化为AutoCAD二维图的技巧

以采掘机械的关键部件螺旋滚筒为例,介绍了在Pro/E中将三维实体模型转化为AutoCAD中平面工程图的方法与技巧。

基于E-R图分析的汽车故障诊断专家系统

运用实体联系(E-R)图和故障树的知识表示、知识获取和推理方法,在Windows环境下开发了具有人工智能及多媒体技术的汽车故障诊断专家系统。通过多次试用表明,采用实体联系图和故障树来表示汽车的各类故障具有层次分明、推理过程简单等优点。

基于扩充E/R图的XML模式设计

为了适应Web环境下的数据交换标准XML,实现软件工程中系统分析与设计阶段XML模式设计的规范化,研究了根据扩充的实体/联系图(E/R图)设计XML模式的规范,以XML模式树作为XML模式的数据模型,以扩充的实体/联系图(E/R图)作为现实的语义模型,建立了在E/R图基础上的XML模式设计,探讨了E/R图中的实体、属性、联系转化为XML模式树及其组成部分的转换规则.

数据库建模——ODL与E/R图的比较

文章首先较详细地介绍了面向对象的数据库建模语言—— ODL( ObjectDefinition L anguage,对象定义语言 ) ,并且通过实例把它与传统的 E/ R图建模方法进行了分析与比较 ,说明了它们在表达上的一些不同之处 。

基于BoBGSAL-Net的文档级实体关系抽取方法

文档级实体关系抽取的主要任务是提取文档中实体之间的关系.相较于句内实体关系提取,文档级实体关系抽取需要对文档中多个句子进行推理.为了解决文档中不同实体之间的复杂信息交互问题,提出一个混合提及级图MMLG(Mixed Mention-Level Graph)策略,用于拟合文档中不同实体之间的复杂信息交互,提高模型对于文档级实体关系的感知能力.此外,为了应对实体关系中存在的关系重叠问题,构建了实体关系图ERG(Entity Relation Graph)模块,该模块融合了路径推理机制,主要针对实体间的多个关系路径进行推理学习,更准确地识别提及级节点实体及关系.通过将MMLG策略与ERG模块聚合到实体关系抽取模型中,构建BoBGSAL-Net(Based on Bipartite Graph Structure Aggregate Logic Network)模型,并在公开数据集DocRED和作者实验室构建的数据集AlSiaRED上开展实验,结果证明BoBGSAL-Net在文档级实体关系抽取任务中性能得到提升,其中BoBGSAL-Net+BERT模型在AlSiaRED数据集上的关系抽取任务中F1指标达到66.04%,和其他模型相比,整体性能提升了4.4%,泛化能力突出,综合效果最优.

ODL与E/R图的比较

近年来面向对象的数据库建模方法是数据库方向的热点问题。本文将通过实例,主要对面向对象定义语言ODL作个讨论,将其与E/R图进行比较,最后从数据库建模方向,说明各自的特点和走向。

PRO/E与AutoCAD混合应用生成工程图

本文通过工程实例,有效地结合了PRO/E和AutoCAD两种软件各自的优势,找到了一种由三维实体模型生成工程图的新方法。实践证明,将PRO/E复杂的三维实体模型设计与AutoCAD工程图生成工作统一起来的混合应用方法,有利于减轻制作工程图纸的工作量,提高工作效率。