典型文献
基于BiLSTM和ResCNN的实体关系抽取方法
文献摘要：
当前大多数实体关系抽取方法无法获取较长句子中的远距离依赖信息,并且由于远程监督数据噪声的干扰导致关系抽取性能下降.因此本文提出一种基于双向长短期记忆网络(BiLSTM)和残差卷积神经网络(ResCNN)的实体关系抽取模型,该模型在向量表示阶段采用BiLSTM获取词语的上下文信息向量,利用残差网络将卷积神经网络中低层的特征传递到高层,有效解决梯度消失问题.同时将挤压-激励块嵌入残差网络中,能大幅降低数据噪声,强化特征传递,在池化阶段采用分段最大化池化方法来捕捉实体对的结构信息.设计在NYT-Freebase数据集上的验证实验,实验结果表明,该模型能够充分学习特征,显著提升实体关系抽取的效果.
文献关键词：
关系抽取;远程监督;卷积神经网络;残差网络;长短期记忆网络
中图分类号：
作者姓名：
徐小亮;赵英
作者机构：
北京化工大学信息科学与技术学院,北京 100029;北京化工大学图书馆,北京 100029
文献出处：
引用格式：
[1]徐小亮;赵英-.基于BiLSTM和ResCNN的实体关系抽取方法)[J].计算机与现代化,2022(01):10-16
A类：
ResCNN
B类：
BiLSTM,实体关系抽取,长句,句子,远距离,远程监督,数据噪声,性能下降,双向长短期记忆网络,残差卷积神经网络,取模,向量表示,取词,词语,上下文信息,残差网络,中低层,梯度消失,池化,结构信息,NYT,Freebase,验证实验,学习特征
AB值：
0.277489
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。
