基于语言模型及循环卷积神经网络的事件检测

目前,事件检测的难点在于一词多义和多事件句的检测.为了解决这些问题,提出了一个新的基于语言模型的带注意力机制的循环卷积神经网络模型(recurrent and convolutional neural network with attention based on language models,LM-ARCNN).该模型利用语言模型计算输入句子的词向量,将句子的词向量输入长短期记忆网络获取句子级别的特征,并使用注意力机制捕获句子级别特征中与触发词相关性高的特征,最后将这两部分的特征输入到包含多个最大值池化层的卷积神经网络,提取更多上下文有效组块.在ACE2005英文语料库上进行实验,结果表明,该模型的 F 1 值为74.4%,比现有最优的文本嵌入增强模型(DEEB)高0.4%.

基于轨迹语义的船舶活动知识图谱构建

随着全球经济一体化的深入推进,海上交通拥堵和船舶事故频发。为了对海上船舶活动进行监管和分析,传统的方法主要利用船舶定位数据进行数据挖掘,未结合其他海上多源数据进行船舶时空活动过程和行为模式分析,缺少深层次的知识挖掘。为此,本文综合利用多源数据,在提取轨迹的语义信息基础上,构建船舶活动知识图谱,为低知识密度的轨迹时空点序列向高阶语义知识转化提供一种有效途径。具体地,首先通过解析船舶活动的特征和组成要素,基于“过程-事件-行为”的核心思想,设计船舶活动知识图谱本体层;然后利用Stop/Move模型提取轨迹语义信息,利用DMCNN模型抽取船舶突发事件,完成实例层填充;最后通过构建原型系统,对上述模型和方法进行验证。结果表明,本文所构建的船舶活动知识图谱,可以支持对船舶常规活动和突发事件进行知识表示,并可以实现时空活动查询和回溯,进而达到语义增强效果,具有一定的应用价值。