典型文献
融合细粒度实体类型的多特征关系分类算法
文献摘要：
近年来,基于深度学习的关系分类多集中于注意力机制的改进或语义信息的优化两方面,但此类方法提取的特征往往较为单一,忽略了实体类型对关系分类的影响,且存在语义信息学习不完整等问题.提出一种新的关系分类方法Type-SBNE,针对实体类型学习任务,引入细粒度的实体类型信息,并通过对每个实体类型中的所有实体向量取平均生成实体类向量,再分别通过实体与句意信息学习获得其对应的特征向量,通过拼接融合得到复合语义特征,最后采用全连接层和Softmax函数来预测实体对之间的关系.Type-SBN基于细粒度的实体类型信息,丰富了实体的特征,有效加强了每个实体在上下文中的表达.实验表明,Type-SBNE模型可更好地完成关系分类任务,效果优于对比方法.
文献关键词：
关系分类;BERT;Nyströmformer;细粒度实体类向量
中图分类号：
作者姓名：
左亚尧;易彪;黎文杰
作者机构：
广东工业大学 计算机学院,广州 510006
文献出处：
引用格式：
[1]左亚尧;易彪;黎文杰-.融合细粒度实体类型的多特征关系分类算法)[J].计算机工程与应用,2022(22):65-71
A类：
SBNE,mformer,细粒度实体类向量
B类：
多特征,特征关系,关系分类,分类算法,多集,注意力机制,语义信息,信息学习,分类方法,Type,类型学,学习任务,类型信息,实体向量,取平,特征向量,拼接,合语,语义特征,全连接层,Softmax,上下文,分类任务,比方,BERT,Nystr
AB值：
0.276168
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。
