基于迁移学习的小样本事件抽取技术及军事应用展望

事件抽取作为信息抽取的任务之一,旨在从非结构化文本中抽取出结构化事件信息,从而更好地应用在相关应用领域和下游任务上。基于迁移学习的事件抽取技术是当前低资源场景下的事件抽取研究的主流方法,通过设计更鲁棒的模型来迁移知识,解决事件抽取面临的训练数据缺乏问题,从而提升小样本事件抽取的效果。对基于迁移学习的小样本事件抽取技术及其军事应用展望作了全面的阐述,回顾事件抽取的起源与发展,描述迁移学习事件抽取的研究背景,并重点总结目前的技术方法及其军事研究现状,提出其军事上应用展望,最后对其面临的问题挑战和未来研究热点作了分析。

基于事件共指消解的多源情报融合方法

情报数据存在多源异构、关联缺失、重复冗余等问题,有限的数据处理能力已经无法满足不断增长的数据获取能力。事件共指消解任务旨在将互为共指关系的事件识别为同一事件并进行融合处理。对融合多源情报进行研究,提出一种端到端的事件共指消解方法。从情报文本中自动抽取情报事件;编码整个情报文档得到待消解事件的表示,计算每对事件提及的共指得分,以此构建文档内事件共指链;通过算法利用文档内事件共指链融合多源情报文档中的共指事件。实验结果表明,提出方法对消除冗余信息、简化情报文本、融合情报信息具有明显增益。