语言学组合特征在语义关系抽取中的应用

语义关系抽取是信息抽取中的一个重要的研究领域。目前基于特征向量的语义关系抽取已经很难通过发掘新的特征来提高抽取的性能。本文提出了一种特征组合方法,通过在各种词法、语法、语义的基本特征内部及特征之间进行合理的组合形成组合特征,使用基于支持向量机的学习方法,使得关系抽取的准确率和召回率得到了提高。在ACE2004语料库的7个关系大类和23个关系子类抽取实验中F值分别达到了66.6%和59.50%。实验结果表明通过对基本语言学特征进行组合所得到的组合特征能够显著地提高语义关系抽取的性能。

基于合一句法和实体语义树的中文语义关系抽取

该文提出了一种基于卷积树核函数的中文实体语义关系抽取方法,该方法通过在关系实例的结构化信息中加入实体语义信息,如实体类型、引用类型和GPE角色等,从而构造能有效捕获结构化信息和实体语义信息的合一句法和实体语义关系树,以提高中文语义关系抽取的性能。在ACE RDC 2005中文基准语料上进行的关系探测和关系抽取的实验表明,该方法能显著提高中文语义关系抽取性能,大类抽取的最佳F值达到67.0,这说明结构化句法信息和实体语义信息在中文语义关系抽取中具有互补性。

生物医学语义关系抽取方法综述

深度学习在自然语言处理方面取得了显著成效,为生物医学领域的信息抽取带来新的研究范式。本研究旨在系统调研生物医学语义关系抽取方法、分析其发展历程,为深度学习方法的进一步运用提供基础和启示。通过检索Pub Med、Web of Science和IEEE数据库,以及Bio Creative、Sem Eval等重要测评网站,遴选出具有代表性的抽取方法,并从目的、方法、数据集和效果四个维度进行分析。经过系统梳理,可将生物医学语义关系抽取方法分为三个阶段:基于知识、传统机器学习和深度学习。将先验知识和领域资源恰当地融入到深度学习模型中,是进一步提升语义关系抽取效果的探索方向。

基于分层策略的弱指导语义关系抽取

提出一种基于Bootstrapping的弱指导语义关系抽取方法。在初始训练集的选取中使用了分层选取策略。实验表明,初始训练数据集的选择对于弱指导语义关系抽取的性能影响较大,利用分层次选取策略选择的数据具有较高的代表性和均衡性,与使用随机选取的弱指导语义关系抽取相比,基于分层策略的弱指导语义关系抽取取得了更好的性能。

语义关系抽取发展现状及抽取方法的研究

命名实体语义关系抽取是信息抽取中的主要任务之一,本文对现有的语义关系抽取系统构建方法进行了分类和介绍,并对这些方法进行了讨论和比较,回顾语义关系抽取研究的历史,总结语义关系抽取技术的现状,将有助语义关系抽取技术研究工作的向前发展。

语言学特征在中文实体间语义关系抽取中的应用

实体间语义关系抽取是信息抽取中的重要环节,其目的是从文本中找出实体对之间的语义关系并对它们进行分类。本文主要通过发掘有效的词汇特征、实体特征、基本短语块特征等基本语言学特征,采用基于支持向量机的学习方法,来提高中文实体间语义关系抽取的性能,使得关系抽取的准确率和召回率得到提高,最终提高关系探测、大类抽取和子类抽取的F值。

基于注意力与神经图灵机的语义关系抽取模型

针对语义关系抽取(语义关系分类)中长语句效果不佳和核心词表现力弱的问题,提出了一种基于词级注意力的双向神经图灵机(Ab-NTM)模型。首先,使用神经图灵机(NTM)作为循环神经网络(RNN)的改进,使用长短时记忆(LSTM)网络作为控制器,其互不干扰的存储特性可加强模型在长语句上的记忆能力;然后,构建注意力层组织词级上下文信息,使模型可以加强句中核心词的表现力;最后,输入分类器得到语义关系标签。在SemEval 2010 Task 8公共数据集上的实验表明,该模型获得了86.2%的得分,优于其他方法。

一种多特征融合的Web医学信息语义关系抽取方法

目的为给用户提供更为相关、整体和结构化的Web医学信息,提出一种多特征融合的语义关系抽取方法,以解决中文Web医学信息中两两医学实体之间语义关系的抽取。方法首先在混合句法分析算法的基础上构造包含词项、语义、词性、交互词、实体对距离、实体类别以及最短依赖关系特征的特征向量并结合支持向量机实现。对Web医学信息中师徒关系、擅长关系及从属关系抽取实验,比较在不同句法分析下、不同特征作用及不同机器学习算法下的语义关系抽取效果。结果从F估计和算法运行时间来看,混合句法分析下效果最佳。随着特征的加入,抽取效果不断提升,最后,对三类语义关系抽取最终获得81.16%、95.94%和86.16%的F估计值。结论基于多特征融合的语义关系抽取方法对于Web医学信息语义关系的抽取具有很好的效果。

藏文语义词典建设中语义关系抽取方法的研究

研究语义是当前人工智能、语义网、语义词典等研究领域的热点,它可以有效支持机器翻译和自然语言处理等技术。文章根据藏文独特的文法特性,运用藏文逻辑格和计算语言学知识,在保留藏文原有特点的基础上,为藏文语义关系抽取方法建立较完整的语义场,以此为藏文语义词典建设提供了基础性构建方法。

融合实体注意力与语义信息的关系抽取模型

知识图谱通过语义网络,建立现实世界和数据世界映射,支撑了很多行业中的具体应用,实体关系抽取是知识图谱构建中的核心环节。论文针对关系抽取任务中实体相关特征利用率低、文本特征提取不充分以及部分预训练模型不能够很好提取序列特征的问题,提出一个基于BERT预训练模型,下游利用长短期记忆网络(LSTM)能够有效处理长期依赖问题的特点,再结合实体位置自感知注意力机制组合成新的模型。模型分别在两个公共数据集上测试,实验结果表明论文模型在TacRed数据集和SemEval 2020 Task 8数据集上f1得分值分别可以达到67.1%,87.8%,均优于部分先前的模型。

自然语言处理中的语义关系与句法模式互发现

在国家科技基础条件平台中如何建设汉语字词之间的语义关系库,并且利用初始的语义关系库自动获取句法模式和新的关系。使用了句法模式的概念,并提出了利用已有关系发现新模式、利用已有模式发现新关系的方法,创造性地设计相关模型并实现了一个中文语义关系知识库系统。利用此系统结合自然语言处理相关技术,从搜狗语料库和百度百科页面文件中大规模自动化获取了有效关系200多个,并从中提取了继承、同义等有效的新关系1 000多条。实验证明其效率达到约40%,主要取决于关系中查询词的距离取值和语料库本身的性质。

概念等级关系自动识别研究

界定了信息检索用概念等级关系的涵义，明确了其包含的属种、实例和整部三种子关系类型并阐明概念等级关系自动识别研究在信息组织和信息检索领域的五种应用途径，详细介绍了常见的概念等级关系自动识别方法，包括基于同现统计的识别方法、基于句法模式匹配的识别方法、分布相似度计算方法、基于在线维基百科篇章结构的识别方法、基于词典定义的识别方法，并分析它们的优点和不足之处。最后建议中文等级关系的自动识别，可以借鉴以上方法，利用中文现有语料如《同义词词林》和汉语构词特点，综合使用多种方法以取得等级关系识别的最佳效果。

概念等级关系自动识别研究

明确了信息检索用概念等级关系的具体类型，概括了概念等级关系自动识别的应用领域，详细介绍了常见的概念等级关系自动识别方法并分析其优点和不足之处，最后建议实际操作中需综合使用多种方法以取得等级关系识别的最佳效果。

采用混合方法抽取生物医学实体间语义关系

以阿司匹林副作用为研究样本的主题,搜集PubMed数据库中与"药物副作用引起疾病"主题词关联规则相对应的文献记录,在文献摘要中提取出相应实体共现的句子,进而利用自然语言处理方法提取文献中表达生物医学实体间语义关系的动词,共提取出30个表示药物副作用与疾病关系的动词。研究结果表明:基于共现和自然语言处理提取语义关系动词的方法是可行的。

应用关键动词抽取生物医学实体间语义关系研究综述

对利用关键动词(即语义关系动词)进行关系抽取的研究进行回顾,并对生物医学语义关系抽取的常用方法进行详细介绍。认为目前关系抽取研究中所利用的关键动词主要是人工选取的,涉及的主观因素较多,影响关键动词选取的客观性、准确性和全面性。因此,如何自动化地找到这些动词可能会成为今后关系挖掘的一项关键任务。

医学知识图谱构建研究进展

针对医学数据专业性强、结构复杂等特点,解析了构建医学知识图谱的关键技术,介绍了利用机器学习和深度学习的方法识别医学命名实体、实体链接和抽取语义关系,以及医学知识图谱在医院智能导诊、疾病筛查和预测、辅助临床诊断、医疗保险风险预测和医学知识科普方面的应用。结合当前我国医学知识图谱构建在数据和技术层面临的问题和挑战,提出了相应的对策和建议。