一种新的基于深度学习的重叠关系联合抽取模型

随着互联网技术的快速发展和移动设备的普及,我们每时每刻都被各种各样的信息包围着。如何从海量的数据中挖掘出具有价值的信息一直是国内外研究的热点。其中,关系抽取是信息抽取的一个重要子任务,目的是从文本中识别出实体之间的关系,从而挖掘出文本中的结构化信息,即事实三元组。在文本中,实体重叠和关系重叠是非常普遍的现象,但是现有的联合抽取模型不能够有效地解决这类问题,因此提出一种新的联合抽取模型,将关系抽取任务看作由2个子任务实体识别和关系识别组成,并分别使用序列标注的方法和多分类方法进行识别。在联合抽取过程中,为充分挖掘文本语义信息,在模型的输入层添加词性(POS)和句法依存关系(Deprel)特征,同时为消除随着句子长度增加带来的长距离依赖问题,在模型中引入注意力机制。最后,论文在NYT数据集和WebNLG数据集上进行关系抽取实验,结果表明论文提出的模型能够有效地解决关系重叠的问题,并取得最佳抽取效果。

基于关联群演化相似度的社团追踪算法

在复杂网络中,社团结构普遍存在,且随着时间的变化网络中的社团也在不断变化。为了追踪到社团的变化并把相邻时刻的社团关联起来形成关联群,在阐述相关定义的基础上,提出了利用综合加权的演化相似度来衡量相邻时刻的社团相似度,又提出了一种利用“多部图”提取演化路径,生成演化序列的方法。最后在某银行业务数据上进行实验,实验结果表明该算法比利用单一指标追踪到社团的准确率更高。