典型文献
面向科技情报分析的知识库构建方法
文献摘要：
在知识库构建中,最重要的部分就是提取文本中的三元组,而三元组的提取需要实体抽取和实体关系抽取技术.针对实体抽取提出了一种CWATT-BiLSTM-LSTMd(character word attention-bidirectional long short-term memory-long short-term memory)模型.该模型可以有效解决实体抽取中一词多义问题,并且可以模拟标签的依赖问题.在实体抽取的基础上进行实体关系的抽取,为解决实体关系抽取中远程监督的局限性,提出一种基于强化深度学习的RL-TreeLSTM(reinforcement learning tree long short-term memory)模型.该模型分为选择器和分类器,选择器选择有效的句子传入分类器,分类器对句子中实体对的关系标签进行预测.选择器和分类器共同训练以优化选择和分类过程,可以有效降低远程监督带来的噪音.实验结果表明,提出的模型和方法能有效地提高实体及其关系的抽取性能.
文献关键词：
知识库构建;神经网络;强化学习;实体抽取;实体关系抽取
中图分类号：
作者姓名：
王勇;江洋;王红滨;侯莎
作者机构：
哈尔滨工程大学 计算机科学与技术学院,哈尔滨 150001;中国船舶集团有限公司 第七一四研究所,北京 100101
文献出处：
引用格式：
[1]王勇;江洋;王红滨;侯莎-.面向科技情报分析的知识库构建方法)[J].计算机工程与应用,2022(22):142-149
A类：
CWATT,LSTMd,TreeLSTM
B类：
科技情报分析,知识库构建,构建方法,三元组,实体抽取,实体关系抽取,BiLSTM,character,word,attention,bidirectional,long,short,term,memory,一词多义,中远,远程监督,RL,reinforcement,learning,tree,选择器,分类器,句子,传入,对句,优化选择,分类过程,噪音,高实,强化学习
AB值：
0.329922
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。
