基于知识图谱的抑郁症自动问答系统研究

抑郁症患者对自身认知的不足以及早期筛查方法的缺乏导致很多患者在治疗时就已经是重度抑郁障碍,为改善现状,本研究从抑郁症论文摘要中抽取其知识三元组,构建抑郁症知识图谱,并基于抑郁症知识图谱,开发自动问答系统.该问答系统可以将用户输入的问题进行中文分词,然后用BiLSTM+CRF模型识别问题中的医学实体,再根据模板匹配理解问题中的语义,在所建构的抑郁症知识图谱中查询到对应的答案,以自然语言的形式返回给用户.实验结果表明,基于抑郁症知识图谱的自动问答系统可以有效回答抑郁症相关的问题,具有较高的准确率和使用价值.

融合合著者多样性及影响力的学术新星预测方法

[目的/意义]从学术新人中发掘出有潜力的学术新星是一个很有意义的问题,其对人才引进、项目评审、审稿人选择等实践具有重要作用。[方法/过程]在基于合著影响力发掘学术新星的基础上,深入分析学术新人的合著者群体,利用合著者多样性因子来度量合著者群体的特征,采用经济学中常用的两种双因素效用函数,构建出两个综合考虑合著者多样性和合著影响力两个因素的学术新星预测指标。[结果/结论]文章提出的预测指标综合考虑了合著影响力和合著者多样性两个因素。实验结果表明该方法预测出的学术新星在十年后具有更大的被引次数,且这两种预测指标的实际效果十分接近,具有同等的预测性能。

面向中文基础教育知识图谱的关系抽取模型

在构建中文基础教育知识图谱过程中,使用远程监督的方法能够有效解决训练语料匮乏的问题,同时使用神经网络模型能够提升构建过程中关系抽取的准确率.为了缓解远程监督中引入的错误标签带来的影响,模型通过双向门限循环单元(bidirectional gated recurrent unit)获取双向上下文中的语义信息,同时引入句子层注意力机制,动态降低噪声数据的权重.在基于中文信息技术教材教辅和百度百科的基础上构建的知识库上的关系抽取实验表明,引入句子层注意力机制能够促进模型的关系抽取效果,模型的准确率相比于中文主流关系抽取方法提高了4%~5%,能更好地应用于知识图谱的构建.