基于实体-联系模型的中医药标准关系模型构建研究

体量日趋庞大的中医药标准为制修订工作和综合管理带来严峻挑战,利用数字技术为标准赋能具有重要战略意义。本研究通过对中医药标准名称信息的深度挖掘和解读,提出基于实体-联系模型的标准间关系建模方法,构建包含7种关系模式的关系模型,并以标准检索为例展示模型的应用场景,为机器读取和使用标准、提高中医药标准检索效率、掌握目标标准相关资源、推动中医药标准数字化转型提供支撑。

基于E-R模型的情报服务案例库研究

[目的/意义]把已经完成的各类情报服务工作作为案例,从中寻求解决和处理情报服务新问题的经验与方法,是情报服务机构提高情报服务效率与水平的重要方法之一。[方法/过程]研究引入数据库设计概念——E-R模型,梳理出情报服务案例中的重要要素,通过E-R模型中的实体、属性与联系来展现。[结果/结论]最终形成情报服务案例库的E-R图,可用于案例库系统的具体建设过程中。情报服务案例库能够提供情报服务工作的经验与教训,促进情报服务工作交流,提供研究和教学的案例参考,推动资源整合与知识管理。

融合交互注意力网络的实体和关系联合抽取模型

实体关系三元组的抽取效果直接影响后期知识图谱构建的质量,而传统流水线式和联合式抽取的模型,并没有对句子级别和关系级别的语义特征进行有效建模,从而导致模型性能的缺失。为此,提出一种融合句子级别和关系级别的交互注意力网络的实体和关系联合抽取模型RSIAN,该模型通过交互注意力网络来学习句子级别和关系级别的高阶语义关联,增强句子和关系之间的交互,辅助模型进行抽取决策。在构建的中文旅游数据集(TDDS)的Precision、Recall和F1值分别为0.872、0.760和0.812,其性能均优于其他对比模型;为了进一步验证该模型在英文联合抽取上的性能,在公开英文数据集NYT和Webnlg上进行实验,该模型的F1值相比基线模型RSAN模型分别提高了0.014和0.013,并且该模型在重叠三元组的分析实验也均取得了优于基线模型的性能且更稳定。

谈数据库课程中的E-R建模方法教学

E-R建模方法是数据库原理与实践等数据库课程中的一个重要教学内容,文章根据笔者多年的教学经验,结合学生学习时存在的常见问题,总结教学工作中的一些具体做法和措施,旨在培养学生自主学习能力和创新思维能力,提高学生的学习兴趣和学习效果。

高等教育实体教学模式与网络教学模式的互补性研究

20世纪90年代以来,信息技术在高等教育领域的广泛应用引起了人们对实体教学模式与网络教学模式之间关系的探讨。依据现有研究与实际应用状况,综合应用理论研究与实地调查将其划分为排斥、互补与替代三种关系。在此基础上,综合课程需要、模式优劣、拥有设施、懂得应用、教学习惯与选择偏好这六种要素分析其存在的前提,研究发现其排斥关系只是暂定现实,其替代关系是一种远期理想,而其互补关系才是本质现实。最后,依据互补观提出实际应用对策。

E-R模型辅助教学系统

本文介绍了一个有关E -R模型设计的辅助教学系统 ,它作为“数据库系统概论CAI”的一个模块 ,在教学中有差重要作用 ,本系统共包括题目维护 ,自动建模 ,手工建模 ,模型转换的四部分 。

基于E-R模型的机动管线虚拟场景概念建模

概念建模对机动管线虚拟场景的建立具有指导意义,通过对机动管线虚拟场景对象实体、三维关系进行详细分析,理清各层次的结构关系,实现了虚拟场景的总体设计,基于E-R模型的管线装备概念模型,最终完成了机动管线虚拟场景整体的概念建模工作,为接下来机动管线虚拟场景的实际建模工作顺利开展奠定基础。

地理实体模型构建与表达研究

在加快新型基础测绘体系建设、推进基础地理信息数据库向无尺度基础地理实体数据库转变的过程中,地理实体数据建设成了一个需要深入研究的问题。其中,地理实体模型构建及存储管理是一个重点内容。为了实现这一目标,立足省级新型基础测绘建设,通过试点探索,提出基于图元的地理实体数据模型,依托模型建立研究区地理实体数据,并利用关系图谱实现地理实体数据的表达与可视化。研究成果已在江苏省新型基础测绘体系数据库建设中得到应用。

一个实体关系与事件抽取的通用模型

信息提取的目的是从自然语言文件中找到具体信息,现有研究在信息抽取的实体关系和事件抽取任务中仅解决事件论元重叠和实体关系重叠的问题,未考虑两个任务共有的角色重叠问题,导致抽取结果准确率降低。提出一个两阶段的通用模型用于完成实体关系抽取和事件抽取子任务。基于预训练语言模型RoBERTa的共享特征表示,分别对实体关系/事件类型和实体关系/事件论元进行预测。将传统抽取触发词任务转化为多标签抽取事件类型任务,利用多尺度神经网络进一步提取文本特征。在此基础上,通过抽取文本相关类型的事件论元,根据论元角色的重要性对损失函数重新加权,解决数据不平衡、实体关系抽取和事件抽取中共同存在论元角色重叠的问题。在千言数据集中事件抽取和关系抽取任务测试集上的实验验证了该模型的有效性,结果表明,该模型的F1值分别为83.1%和75.3%。

基于双向语义的中文实体关系联合抽取方法

现有中文实体关系抽取方法通常利用实体间的单向关系语义特征进行关系抽取,然而仅靠单向语义特征并不能完全利用实体间的语义关系,从而使得实体关系抽取的有效性受到影响。提出一种基于双向语义的中文实体关系联合抽取方法。利用RoBERTa预训练模型获取具有上下文信息的文本字向量表征,通过首尾指针标注识别句子中可能存在关系的实体。为了同时利用文本中的双向关系语义信息,将实体分别作为关系中的主体与客体来建立正负关系,并利用两组全连接神经网络构建正负关系映射器,从而对每一个输入实体同时从正关系与负关系的角度构建候选关系三元组。将候选关系三元组分别在正负关系下的概率分布序列与实体位置嵌入特征相结合,以对候选三元组进行判别,从而确定最终的关系三元组。在DuIE数据集上进行对比实验,结果表明,该方法的精确率与召回率优于MultiR、CoType等基线模型,其F1值达到0.805,相较基线模型平均提高了12.8%。

基于中文字邻接图的食品抽检公告实体及关系联合抽取

在对中文食品抽检公告进行实体与关系抽取时,常会出现包含大量食品名称与食品分类的长句,现有深度学习模型在进行实体关系抽取时,只将文本看作一串字词序列来编码,当句子较长且词间距离过大时,词间强依赖关系的学习效果会减弱。而这一问题在食品领域的实体关系抽取中少有被关注,所以该研究提出基于改进中文依存句法树与多特征融合的实体关系联合抽取模型(TAG-JE),该模型将词间具有的强依赖关系通过句法依存树建立关系图,再根据中文BERT编码的字处理模式,将关系图转化为字邻接图,再由图神经网络学习字邻接图的结构特征,最后将之与BERT提取的文本上下文特征融合,融合权重通过门网络结构自主调节,以获得公告文本的多特征融合特征表示。获得的融合特征将采用主流的联合抽取模型进行实体与关系的抽取,并在关系判断时使用强化学习训练的关系选择器来优化关系的嵌入信息,以提升联合抽取方法在关系判断上的准确率。为了验证TAG-JE的效果,将其与主流的深度学习模型在自建的非结构化食品抽检公告数据集上进行了抽取效果对比,结果证明TAG-JE的精确率、召回率与F1值分别达到90.86%,90.50%,90.68%,相对其他基线模型都有较大提升,证明了其在中文食品抽检文档中的知识挖掘能力。针对中文公共数据集的试验中,该模型相对GraphRel与CasRel这些经典联合抽取模型也取得较好的结果,证明TAG-JE也有较好的泛化效果。研究结果可为食品安全中文知识图谱的构建提供技术参考。

基于MFE-BERT与FNNAttention的心理医学知识图谱构建

针对心理医学领域文本段落冗长、数据稀疏、知识散乱且规范性差的问题,提出一种基于多层级特征抽取能力预训练模型(MFE-BERT)与前向神经网络注意力机制(FNNAttention)的心理医学知识图谱构建方法.MFE-BERT在BERT模型基础上将其内部所有Encoder层特征进行合并输出,以获取包含更多语义的特征向量,同时对两复合模型采用FNNAttention机制强化词级关系,解决长文本段落语义稀释问题.在自建的心理医学数据集中,设计MFE-BERT-BiLSTM-FNNAttention-CRF和MFE-BERT-CNN-FNNAttention复合神经网络模型分别进行心理医学实体识别和实体关系抽取,实体识别F1值达到93.91%,实体关系抽精确率达到了89.29%,通过融合文本相似度与语义相似度方法进行实体对齐,将所整理的数据存储在Neo4j图数据库中,构建出一个含有3652个实体,2396条关系的心理医学知识图谱.实验结果表明,在MFE-BERT模型与FNNAttention机制的基础上构建心理医学知识图谱切实可行,提出的改进模型所搭建的心理医学知识图谱可以更好地应用于心理医学信息管理中,为心理医学数据分析提供参考.

基于BERT-WWM预训练的跨文档三元组提取

关于跨文档三元组(Subject Predicate Object,SPO)抽取任务,当前的研究主要基于句子级别的分析。然而很多场景下SPO元素可能分散于文档的各个位置,句子级别的抽取技术远远无法满足需求,因此提出一种Doc2SpSPO联合SPO抽取模型。该模型通过Span候选集模型生成初始实体信息,基于BERT-WWM预训练模型得到上下文以及候选实体相关Embedding信息进行分类任务从而实现SPO的联合提取。实验结果表明,该模型实体识别可达到F1值44.4%、关系分类准确率66.9%的较好效果。

基于实体-关系模型的标准元数据关系研究

本文梳理了编目学中“关系”的发展历程,结合实体-关系模型,分析标准文献包含的实体、属性,并基于实体间的关联关系和属性关系,开展标准元数据关系研究,同时提出下一步应用方向,包括加强实体关系抽取技术研究、构建标准标签集、开展知识链接研究等。

基于BERT的非招标采购实体关系抽取研究

提出了一种基于BERT的实体长度感知的实体关系抽取模型IL-BERT,该模型在经过BERT方法提取的实体特征向量上引入实体长度信息,以增强实体特征的表示能力。分别在公共数据集和非招标采购领域数据集上进行试验,结果表明,提出模型的数值均优于基线模型。

基于Span方法和多叉解码树的实体关系抽取

实体关系抽取作为自然语言处理领域的一项关键技术,在构建知识图谱、信息检索等领域有着极为重要的意义。然实体关系抽取模型普遍存在词与词之间依赖性运用不足、实体识别效果低下以及单解码带来的三元组强行执行某种不必要顺序的问题。为了解决这三个方面的问题,提升模型的性能,提出了一种新的实体关系抽取模型。该模型首先运用提取特征能力更强的BERT预训练模型获取句子表征,然后采用图卷积神经网络来增强实体与关系之间的依赖关系,再使用对实体提取能力更强的Span方法(识别实体的神经网络方法)进行实体抽取,最后采用深度多叉解码树实施并行解码得到相应的关系三元组。在CoNLL04、ADE数据集上的实验结果表明,与其他的关系抽取基线模型相比,该模型的F1值具有较好的提升,同时也验证了该文模型的有效性与泛化能力。

基于实体间关系的数据空间实体解析技术

针对数据空间中大量异质数据没有统一的语义,无法进行基于属性值相似度的实体解析任务的问题,提出了从实体间关系进行实体解析的简单方法。通过决策结点和决策关系构建连接图,并通过连通分量算法进行冗余结点的删除和属性的继承。通过构建的小规模数据集进行了算法的验证。

基于本体的战场环境仿真概念模型

为了能够更加全面而明确地表示战场环境仿真概念模型,考虑到本体可以明确地表示概念和关系的特点,提出了使用本体来表示战场环境仿真的概念模型。在战场环境仿真概念模型研究的基础上,给出了战场环境仿真的主要实体和交互关系,提出使用OWL(Web Ontology Language)语言实现战场环境仿真概念模型的本体表示,并针对现有本体建模元语的不足,提出了使用8种本体建模元语建立战场环境仿真概念模型的本体。

下一代高校图书馆管理系统的研究与实践

借鉴企业界的信息化管理思想,以提高资源利用率、服务满意率和馆员贡献率为目标,构建实体关系模型,设计和研发下一代高校图书馆管理系统,应用到图书馆的管理后台、门户网站、微信企业号、微信公众号以及界外系统中。系统提高图书馆管理水平,实时掌握图书馆动态,发挥馆员价值,提升服务效率和质量,让读者感受到图书馆资源与服务体系的完整性。系统实现单点登录、信息共享、协同办公、移动办公以及对资源与服务数据进行统一管理、关联和揭示,并为不同系统提供互操作的接口,解决国内高校图书馆普遍存在的数据孤岛现象。