基于并行异构图和序列注意力机制的中文实体关系抽取模型

近年来,随着深度学习技术的快速发展,实体关系抽取在许多领域取得了显著的进展。然而,由于汉语具有复杂的句法结构和语义关系,面向中文的实体关系抽取任务中仍然存在着多项挑战。其中,中文文本中的重叠三元组问题是领域中的重要难题之一。针对中文文本中的重叠三元组问题,提出了一种混合神经网络实体关系联合抽取(HNNERJE)模型。HNNERJE模型以并行方式融合序列注意力机制和异构图注意力机制,并结合门控融合策略构建了深度集成框架。该模型不仅可以同时捕获中文文本的语序信息和实体关联信息,还能够自适应地调整主客体标记器的输出,从而有效解决重叠三元组问题。另外,通过引入对抗训练算法提高模型对未见样本和噪声的适应能力。运用SHAP(SHapley Additive exPlanations)方法对HNNERJE模型进行解释分析,基于模型的识别结果解析它在抽取实体和关系时所依据的关键特征。HNNERJE模型在NYT、WebNLG、CMeIE和DuIE数据集上的F1值分别达到了92.17%、93.42%、47.40%和67.98%。实验结果表明:HNNERJE模型可以将非结构化的文本数据转化为结构化的知识表示,有效提取其中蕴含的有价值信息。

Edwards曲线快速标量乘算法的改进与FPGA实现

针对Edwards曲线上标量乘法的运算效率问题,提出一种安全快速的标量乘算法。首先,详细地介绍了Edwards曲线的基本内容,引入了一种安全快速的标量乘算法EDSM(scalar multiplication on Edwards curve)。其次,为了减少标量乘法的运算量,对EDSM算法进行了改进。改进方案将标量k表示成四进制形式,根据k的表示设计出四进制形式的标量乘算法,经过理论分析和计算表明,改进后的EDSM算法的运算效率优于EDSM算法,标量乘法的计算速度提高了10%左右。最后,结合现场可编程门阵列(Field Programmable Gate Array,FPGA)并行计算的特点,在Xilinx Virtex5系列的XC5VLX20T芯片中运行结果表明,完成一次256位标量乘法仅需0.37ms。和高基Montgomery模乘流水化阵列结构相比,标量乘的运算速度提高了50%,而且运算中并没有使用器件内部的专用乘法器,所以具有良好的可移植性。