多层结构化语义知识增强的跨领域命名实体识别

跨域命名实体识别旨在缓解目标领域标注数据不足的问题.现有方法通常利用特征表示或者模型参数的共享来实现实体识别能力的跨领域迁移,但对文本序列中结构化知识的充分利用仍有所欠缺.基于此,提出了基于多层结构化语义知识增强的跨领域命名实体识别(multi-level structured semantic knowledge enhanced cross-domain named entity recognition,MSKE-CDNER)模型,即通过在多个层级实现对源领域和目标领域文本各自蕴含的结构化表示的对齐来促进实体识别能力跨领域迁移.首先,MSKE-CDNER利用结构特征表示层从不同领域中获取文本的结构化语义知识表示;然后,将获得的结构化语义知识表示通过潜层对齐模块在对应的层级进行结构化对齐,获取结构化的跨领域不变知识,从而提高模型对文本结构化知识的利用;此外,将域不变知识与特定域知识融合,进一步增强模型的泛化能力;最后,分别在5个英文数据集和特定的跨域命名实体识别数据集上进行实验.结果显示,对比当前跨域模型,MSKE-CDNER的平均性能提高了0.43%和1.47%,表明利用特征表示中的结构化知识可以有效提高目标领域的实体识别能力.

物联网跨域环境下的信任迁移模型

随着智能终端的更新换代,物联网实体的移动性逐渐增强。针对物联网环境下跨域实体从一个域移动到另一个域时缺省初始化信任值造成的实体资源浪费和信任值累积困难等问题,提出了一种新的基于模糊理论和层次分析法的跨域信任迁移模型。该模型通过模糊理论计算跨域实体在原域内累积的服务信任值,并使用层次分析法为移入域分配对不同信任因素的偏好权重,结合跨域移动前后域间上下文相似度实现将跨域实体原域内的信任值迁移至移入域。实验基于不同的域间上下文相似度进行,结果表明该模型对九种不同表现类型的实体的信任迁移的合理性和有效性,以及对识别利用信任迁移对移入域进行恶意攻击的恶意实体的有效性。