结合核函数与神经网络的实体嵌入规范化

开放的知识库缺少本体信息,进一步影响服务下游应用的能力,需对实体进行规范化。传统相似性度量方法及现有机器学习/深度学习方法泛化能力有待提升。提出结合核函数与神经网络的规范化表示框架,引入外源辅助信息,与实体嵌入拼接,增强细粒度的维度互动以改善语义识别能力,将相似性得分用于实体聚类。在行业数据集和开放知识图数据集上验证框架的实体规范化能力,并进一步开展链路预测任务,与基准模型比较以验证性能。

面向生物医学命名实体识别和规范化的多粒度特征融合

为了从生物医学文献中提取丰富的实体信息及其规范化表达,提出了一种面向生物医学命名实体和规范化的多粒度特征融合方法 (multi-granularity feature fusion approach for biomedical named entity recognition and normalization, MGFFA).通过整合字符级、词级、概念级的文本信息,显著增强了模型的学习能力.同时还包含一个用于存储和综合不同层次信息的记忆库,以实现对实体及其规范化标签间复杂关系的深入理解.通过预训练模型的配合使用, MGFFA不仅捕捉了文本的粗粒度语义表示,还细致分析了构词层面的特征,从而全面提升了对长跨度实体的识别准确率.在NCBI和NC5CDR数据集上的实验结果显示,该模型在总体上优于其他基线模型.

确保农村最低生活保障效果的制度文本与实践

农村最低生活保障(下文简称"低保")作为一项影响深远的民生工程,发挥着"兼顾公平"和"维护基层秩序"的重要功能。自农村低保实施以来,国务院、民政部颁布系列旨在推进低保制度规范化的文本。然而,这些制度文本除了给政策执行者带来工作困难、提供抵御外界干扰的制度保障外,也遇到了自身带来的反规范化问题。低保申请、公示和民主评议等制度文本的实践表明,只有在国家制度设计者、地方行政者和民众三方力量的共同努力下才可能真正推进低保制度规范化建设,确保低保功能的正常发挥。

面向医学领域的文本特征增强多任务学习模型

医学命名实体的识别和规范化是构建高质量医学知识图谱的基础。文中提出了一种基于文本特征增强的多任务学习模型,旨在解决现有模型中医学实体识别与规范化模型不能充分利用文本特征的问题。该模型添加词级、字符级特征和上下文语义信息来增强文本表示,再通过4个分级子任务,联合建模完成医学实体识别和规范化任务。实验表明,该模型能够学习实体识别和实体规范化这两个任务的共同特征,有效地提高学习的准确率。在NCBI和BC5CDR两个数据集上取得了较好的效果,在NER和NEN任务上的F1值分别为:91.09%,91.02%;92.05%,92%。