典型文献
BERT模型结合实体向量的知识图谱实体抽取方法
文献摘要：
实体抽取是构建知识图谱的重要环节,大多数深度学习模型没有注意到上下文的语义信息和忽略了对于知识实体的处理,因此,实体抽取的准确性有待进一步提高.本文提出了一种BERT模型结合实体向量的知识图谱实体抽取方法.该方法采用基于全词Mask的BERT模型生成句子向量和具有上下文语义的词向量,再将词向量取平均值得到实体向量,通过注意力机制将句子向量与实体向量结合,最后,将结合后的新向量放入条件随机场进行序列标注,找到最优的标签以达到实体抽取的目的.实验结果表明,该方法在人民日报语料库进行实体抽取时,其准确率、召回率和F1值分别为93.01％,90.32％和91.65％.同时,该模型在CoNLL-2003语料库中的实体抽取也具有很好的效果.
文献关键词：
知识图谱;实体抽取;BERT;实体向量;注意力机制;条件随机场
中图分类号：
作者姓名：
陈玮;张锐;尹钟
作者机构：
上海理工大学光电信息与计算机工程学院,上海200093
文献出处：
引用格式：
[1]陈玮;张锐;尹钟-.BERT模型结合实体向量的知识图谱实体抽取方法)[J].小型微型计算机系统,2022(08):1577-1582
A类：
CoNLL
B类：
BERT,实体向量,实体抽取,深度学习模型,语义信息,知识实体,Mask,模型生成,句子,上下文语义,词向量,取平,注意力机制,新向,放入,条件随机场,序列标注,人民日报,语料库,召回率
AB值：
0.253635
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。
