典型文献
基于自注意力与分段卷积神经网络的实体关系抽取
文献摘要：
远程监督通过已有知识库的关系三元组和自然语言文本语料库进行启发式匹配,获得数据来完成关系抽取任务,解决有监督学习方法完全依赖人工标注数据的问题,但远程监督数据中会存在大量噪声关系标签.针对以上问题,提出了一种结合自注意力机制和分段卷积神经网络的实体关系抽取模型SAPCNN,首先通过自注意力机制捕获词与词之间的全局相关性,解决在对语料句子进行卷积操作时仅关注当前窗口内容的问题;然后将包含相同实体对的语句划分为一个包,利用多实例学习和包内注意力机制计算包中每个句子的注意力权重,从而找到更能表达实体对之间语义关系的句子语料.实验结果显示:SAPCNN能提高实体关系抽取的精确率,结果优于主流算法.
文献关键词：
实体关系抽取;远程监督;自注意力机制;分段卷积神经网络;包内注意力机制
中图分类号：
作者姓名：
李子茂;张玥;尹帆;郑禄;白鑫
作者机构：
中南民族大学 计算机科学学院 & 湖北省制造企业智能管理工程技术研究中心,武汉 430074
文献出处：
引用格式：
[1]李子茂;张玥;尹帆;郑禄;白鑫-.基于自注意力与分段卷积神经网络的实体关系抽取)[J].中南民族大学学报（自然科学版）,2022(03):326-332
A类：
SAPCNN,多实例学习,包内注意力机制
B类：
分段卷积神经网络,实体关系抽取,远程监督,知识库,三元组,自然语言,语料库,启发式,得数,有监督学习,自注意力机制,取模,全局相关性,句子,行卷,卷积操作,前窗,口内,语句,一个包,注意力权重,语义关系,高实,精确率,流算法
AB值：
0.242689
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
