基于图卷积和自然实体知识的问答式情感分析研究

该文针对前人研究中依存语法的学习建模过程与文本情感特征提取模块完全独立的问题,考虑到很难根据新数据进行整体更新,结合引入自然实体知识至神经网络的新方式,为问答式情感分析任务提出了结合自然语言知识和图卷积网络的双重网络模型E-QAGCN。模型考虑了词语间的相互依赖关系,并基于依存语法树的结构特征,将依赖句法关系融入语义向量表示中,联合自然语言知识和多层图卷积网络模型对文本进行了深层次的情感特征提取。此为基于依存语法树和图卷积操作结构的方法第一次在问答式情感分析任务中被应用,在三个领域的中文问答式情感分析数据集上的实验结果验证了该模型的有效性,达到了同期的最优效果。

一种融入领域知识的领域短文本命名实体识别方法

针对领域短文本中命名实体在计算资源受限情况下识别率不高的问题,设计了一种融入领域知识的双BiLSTM_CRF+全连接网络模型,对领域短文本命名实体进行识别。利用领域知识图谱中的关键知识实体及其关键关系,经投影变换、聚类和全局向量词嵌入处理,并基于词向量相似性计算,发现与待识别领域命名实体相似的关键知识实体,将其替换为关键知识实体后生成新的领域短文本,与未替换的领域短文本一同输入模型中进行命名实体识别,使领域知识融入领域短文本的命名实体识别过程,实验结果表明本方法较现有其他同类方法获得了较优的识别能力。

基于网络资源的实体知识库系统设计研究——以政府相关实体知识库为实例

随着大数据时代的来临,信息知识化已成为信息管理的一个发展趋势。而知识库作为一种常见的知识存储和管理工具,其当前的构建和维护仍以手工方式为主,致使知识库中知识的覆盖范围十分有限且耗费巨大成本。针对上述问题,本文设计了一种实体知识库系统架构。该架构将命名实体相关技术进行有效整合,并利用网络在线资源自动构建中文实体知识库。在数据结构方面,提出了基于三层数据模型的数据存储管理结构,并根据网络资源各自的特点分别抽取出不同类别的知识,实现显式知识和隐式知识的获取和存储,进而为信息的知识化管理以及深层次分析提供支持。

基于RoBERTa-CNN-BiLSTM-CRF的高中数学知识实体识别

命名实体识别是自然语言处理中的一个重要研究步骤,也是自然语言中许多下游任务的前置任务。传统的命名实体识别方法通常采用简单线性或非线性模型进行识别,实体识别的准确率不高。随着深度学习的引入,能够处理更为复杂的非线性问题,使用神经网络模型来提高实体识别的准确率。本文提出一种基于RoBERTa-CNN-BiLSTM-CRF模型,用于高中数学知识实体的识别任务。首先利用RoBERTa模型中的双向Transformer编码层对数据的特征进行提取与分析生成相应的词向量,然后利用卷积神经网络(CNN)中的卷积层和池化层实现降维操作,提取句子中的局部特征,最后构建适合高中数学知识点实体识别的LSTM-CRF模型进行训练和处理。经过实验表明,该模型具有较高的准确性。准确率、召回率和F1分别达到94.32%、94.58%和94.45%。

面向专业文献知识实体类型的抽取和标注

知识实体的类型标注是专业文献的结构化管理和知识脉络挖掘中的一个重要问题。然而,由于知识实体具有专业性强、类型多样等特点,传统的实体抽取方法并不能很好地实现知识实体的类型标注。为了解决这一问题,该文从数据中发现并总结出知识实体类型的独有特性,根据这些特性首先提出一种基于启发式规则的类型抽取方法、实现部分知识实体的类型标注,进而通过多标签加权的标签传播方法实现对所有知识实体的类型标注。与传统方法相比,该方法能够从数据中获得最有可能的类型标签,在无需人工标注的情况下获得有效的知识实体类型标注。实验结果表明,所提出方法具有较好的灵活性,更适用于专业文献知识实体的类型标注。

学术文本中细粒度知识实体的关联分析

考察特定领域文本中蕴含的细粒度知识实体的使用情况,对知识实体的评估和选择具有重要意义。学术文本中的细粒度知识实体通常具有多个类型、多种关联关系,挖掘知识实体的同质与异质关联关系,有助于深入了解特定领域知识实体的实际使用情况。目前相关研究大多针对学术文本中单一知识实体的抽取和评估,缺乏对知识实体间关系的关注,在一定程度上限制了基于实体抽取进行知识发现的能力。文章以自然语言处理领域为例,对学术论文全文中的细粒度知识实体关联数据进行挖掘,并通过可视化方式揭示关联数据中蕴含的信息。主要是选取全国计算语言学会议2009-2018年间收录的中文论文为原始语料,人工标注论文中使用的知识实体,并针对NLP特点将其细分为“指标实体”“工具实体”“资源实体”“方法实体”4种类型;结合关联规则挖掘算法Apriori和复杂网络分析软件构建知识实体关联网络,揭示该领域常用的知识实体,以及这些知识实体的使用相关性。

科学文献中的知识实体抽取与评价研究综述

[目的/意义]科学文献中的知识实体的挖掘、利用与评价对知识发现、构建知识网络、探索知识之间潜在关联均具有重要意义。随着机器学习、深度学习和大语言模型的发展及其应用,相比最早的基于人工标注的知识实体抽取技术,如今已经发生了翻天覆地的变化;此外,近年来,学者对科学文献中知识实体的评价也进行一些探索,取得了较大进展。[方法/过程]在相关文献调研基础上,回顾并比较了基于人工标注的方法、基于规则的方法、传统机器学习、基于深度学习与大语言模型在知识实体抽取方面的优缺点,列举了相关数据集、软件与工具及相关专业会议;从提及频率、替代计量及其影响因素、实体共现网络及实体扩散/引文网络、基于知识实体的同行评议、基于知识实体的论文新颖性和临床转化进展五大方面,对知识实体的评价研究最新进展进行了归纳与整理。[结果/结论]针对目前存在的问题,建议在具体的知识实体抽取任务中,抽取方法选择应权衡多方面因素,再依此选择一个或多个模型完成实体抽取任务;在知识实体评价方面,应重视指标多样化、可靠性、有效性、系统性和规范化研究,关注对知识实体评价指标的影响因素、指标间相关关系与因果关系的实证分析,构建基于知识实体的论文评价指标体系,从细粒度和智能化视角赋能未来的科技评价与应用。

基于深度学习的算法知识实体识别与发现

随着互联网技术的快速发展,人类已经习惯于从网络上获取知识,然而伴随着网络资源爆炸式增长,网络资源内容多样,人们使用浏览器获取知识的方法却停滞不前,因此需要一种工具来帮助人们从网络中高效地获取和发现新知识。由于网络资源文本并不是完全结构化的数据,还包括一些自由文本等复杂的无结构数据,这种文本信息虽然方便人们自由表达概念以及事件等,但是同时也为机器搜索、统计分析等制造了障碍。因此,为了在文本上更方便地进行知识分析和挖掘,本文提出一种基于深度学习的算法知识实体识别与发现的方法,应用于算法知识领域来解决上述问题。通过创建算法知识专家库[1],训练词向量,建立深度神经网络模型,从算法知识文本中识别和发现算法知识名称。实验结果表明,该深度神经网络模型识别算法知识的准确率高达98%,并有效发现了专家库以外的新知识点,实现了预期实验需求。

文化和计算机文化——由符号和规则创建的知识实体

一、到处都存在着文化现象 文化作为一种现象是到处存在的,文化也可以被人认识并能被划分成许多不同的领域。然而,文化的概念却不好描述。这是因为,它的内涵十分丰富,外延十分广阔,是任何一般的概念所无法比拟的。国家有国家的文化,民族有民族的文化,地域有地域的文化,宗教有宗教的文化,学科有学科的文化,等等。其实,到底什么是文化,一般人也用不着,咬文嚼字,大家心里完全明白它是怎么回事。别看说不太清楚,人们关于文化却不乏共识。例如在今天,许多人都强烈地感受到,离开了文化,人类将难以继续生存这一事实。换句话说,当今人类对文化的依赖程度已超过了以往的任何时侯。 按照一般的认识和理解,在人类的历史上,两次人的变革产生了两种文化。一种是抽象了的、传统意义上的文化(泛指一切以符号为标志的文化现象,简称它为传统文化);另一种是具体的。

互联网社区中网络化知识实体抽取研究

互联网社区中“群体贡献、生产众筹”的知识涌现和汇聚现象,颠覆了知识稳定、权威的本质特征,改变了知识的表征形式与抽取方式。已有研究从理论层面提出“网络化知识”内涵及其表征模型,但缺少实践层面的落地应用。为此,本研究重点探究一套适用于互联网社区中网络化知识实体抽取的方法框架,以适应新时期网络化知识抽取的需要。抽取框架包括“数据采集与处理、分词与实体抽取、实体过滤与统一”三个环节。该框架综合考虑网络化知识的境遇化和动态性特征,通过设定一套基于话题文档的分类规则,将文本内容处理到相对独立的语境中;同时探索关键词、词语组合、命名实体识别三种方式获取候选实体;最终借助实体语义相似度计算等方法完成实体的过滤与统一。最后,研究借助cMOOC联通主义学习社区中网络化知识实体的抽取进行框架的应用与验证。

液氧液氢发动机领域知识图谱构建与应用

液氧液氢发动机作为航天领域的关键分系统,为有效开展其研制过程的智能化转型工作,针对液氧液氢发动机领域构建知识图谱,在储备领域知识的同时,提高科研生产人才的培养能力。针对液氧液氢发动机领域特点,对领域语料标注、领域知识识别、实体关系识别3个方面进行了研究,在此基础上进行了领域知识图谱的构建,并从领域知识搜索、知识推荐、探索式分析3个角度梳理了其业务应用模式。形成了液氧液氢发动机领域知识体系,并提出构建方法和应用模式。研究结果为航天领域智能化转型提供了参考。

基于词法匹配与词嵌入的医疗知识实体上下位关系抽取

实体上下位关系是一种重要的语义结构,在知识图谱、信息检索等多个领域有着重要应用。论文提出一种融合词法匹配与词嵌入的医疗知识实体上下位关系抽取方法。该方法以Hearst词法模式匹配为基础,抽取相似词以扩展候选上下位关系集合,引入分段线性投影方法将基于词嵌入的上下位关系判别模型应用于抽取任务,并给出融合两种方法来计算上下位关系可能性算法。实验结果表明,论文提出的综合方法在SemEval-Task 9的医疗数据集上,相比该任务的最佳方法MRR、MAP和P@1分别提高了4.40%、0.23%和2.00%,具有很好的效果。

两种类型的企业知识管理现状试析

针对我国企业界对知识管理的研究多于实践、实施知识管理项目失败多于成功这一现状,从总体上分析了造成我国制造型企业和知识型企业知识管理现状的根源,并分别具体分析了造成制造型企业和知识型企业知识管理现状的主要原因。在此基础上提出了基于双重知识转化理论模型的知识管理系统的技术方案,为制造型企业和知识型企业的知识管理研究者和实践者提供了一种新思路。

中国知识管理现状分析

在知识社会中,当知识管理被看成是一个公司、一个行业,甚至是一个国家生存和发展的决定因素时,知识管理越来越受人关注。有关知识管理的理论和技术在各个领域都得到了很大的发展,这一方面极大的丰富了知识管理的内涵,使得知识管理具有多面性,但另一方面又使的知识管理变的更复杂和难以理解。本文针对我国各行业研究和实施知识管理项目失败多于成功这一现状,着重从四个方面分析了产生这种现状的根本原因,并在此基础上提出了基于双重知识转化理论模型的知识管理系统的技术方案,为制造型企业和知识型企业的知识管理研究者和实践者提供了一种新思路。

“知识资产”的法律规制——知识产权的客体及法律属性分析

知识资产是公法、私法共同调整的对象。“知识公产”是知识资源作为公共资源的存在 ,“知识私产”是知识资源作为私人智力劳动获得的成果。知识产权的客体是智力实体的表达形式 ,它调整的是智力劳动者及其劳动成果的使用人对知识实体的表达、复制与传播。如何对知识资产进行法律规制 ,是本文研究的中心问题。

一种基于BiLSTM-CRF的命名实体识别方法研究

针对目前从开源数据中挖掘结构化数据存在的数据繁复,新词多等问题,提出了一种命名实体识别的方法。该方法将文本进行实体规范、去停用词和加入词典特征等数据预处理后形成的信息作为输入,通过BiLSTM-CRF算法实现命名实体的识别。最后通过三种不同的语料对该方法进行了验证,实验结果表明了融合领域特征的命名实体识别达到了91.63%。

知识驱动的交互式图搜索

现有的交互式图搜索方法主要局限于优化单一数据的标注成本。为解决这一问题,针对现实场景中更常出现的批量数据标注任务,提出一种基于知识驱动建模先验概率信息的方法。利用该方法对批量数据的实体间知识进行提取,并用于指导机器算法,可以在整体上降低交互式图搜索的成本。在真实数据集上的实验结果表明,与现有方法相比,所提出的算法具有交互效率方面的优势。

科学文献知识单元抽取及应用研究:梳理与展望

[目的/意义]知识单元作为人类控制和管理知识的基本单元,是科学文献内容的基本组成成分。通过对知识单元抽取技术和应用研究进行梳理与总结,探索知识单元相关研究未来发展方向,以便更好地实现对科学知识的发掘和利用。[方法/过程]采用文献调研法,通过人工对相关文献进行阅读和分析,从知识单元抽取和应用两个视角对科学文献中知识单元相关研究进行梳理和总结。[结果/结论]目前,知识单元抽取的准确性和智能性还有待于进一步提高,未来研究可关注新兴深度学习技术在知识挖掘中的应用;当前知识单元的应用主要包括科学知识图谱构建、学术评价和知识演化分析,未来研究可进一步探索知识单元更多的应用场景,包括基于引文内容的知识单元评价、基于知识图谱的学术文献创新性评价和基于知识单元的跨学科知识流动分析等。

公共性的追求与辩护——西方知识论范式转换的反思

如果把西方知识论范式划分为实体性知识论、主体性知识论和准人类学知识论,那么我们就可以把马克思主义实践认识论称为人类学知识论范式。只有它实现了对西方知识论范式的真正超越。由于知识论范式对知识论的致思理路起着至关重要的作用,西方知识论又是西方哲学和文化的奠基。因此,理解、反思西方知识论范式有着十分重要的意义,尤其在当今的知识经济时代。

图书馆在知识经济中的新角色与新任务

图书馆作为知识信息的主要集散地在知识经济中的新角色是"知识型文化实体"。其新任务包括四个方面：进一步演化信息服务；开展技术创新；培养"知识型"图书馆员；在信息增值上下功夫、求发展。