摘要：阐述基于Transformer的课程知识图谱实体识别模型设计。探讨基于人机协同的人工规则和深度学习混合的知识点抽取方法,通过在前馈网络层中的共享偏置项,减少模型参数的数量,提高训练效率。

摘要：针对传统领域知识实体抽取算法主要依赖专家的专业知识,需要的标注工作量较大,本文提出了基于远程监督的实体抽取算法并应用于粮油存储领域。算法在PU学习的框架下,通过判定和分类2个阶段抽取实体,利用双向长短期记忆网络进行二分类实体判别。再通过全连接网络实体类型判别,构建了一个粮油领域知识图谱。研究表明:本算法可以应用于粮油存储领域的知识图谱构建,适用于训练实体样本较少的实体抽取任务,能够缩小使用双向长短期记忆网络算法进行实体抽取任务所需的语料规模,并在使用更小语料规模的情况下达到与经典双向长短期记忆网络算法相当的实体抽取效果。

摘要：[目的/意义]情报感知作为情报工作的核心环节之一,大数据时代如何运用智能化手段进行有效情报感知,为情报需求者提供线索指引、关系决策的“恰当信息”是当前情报工作面临的巨大挑战。[方法/过程]文章立足情报感知理念,借助自然语言处理技术与专家经验,设计并实践了一套完整的面向情报感知的国防武器装备领域知识图谱构建模式,开展了领域知识感知、语义智能检索、可视化感知与情报线索溯源等情报感知应用能力开发。[结果/结论]研究成果为科研人员提供了多维度的智能化情报感知服务,并取得了一定成效。

摘要：缝纫设备的智能运维与管理,关键在于解决非结构化文本的信息挖掘及语言模型构建问题。这对于加快设备缺陷和故障诊断速度、提高诊断准确性及实现设备检修的智能辅助决策,具有重要意义。该研究提出了通过基于BERT的条件随机场(bidirectional encoder representations from transformers-conditional random field,BERT-CRF)的实体抽取模型抽取关键实体信息,如设备名称、属性等,再通过基于双向门控循环单元注意力机制(bidirectional gated recurrent unit-attention,BiGRU-Attention)的关系抽取模型有效捕捉实体之间的语义关联,为缝纫设备知识图谱的构建提供支持。针对缝纫设备文本分析场景,模型在缝纫设备文本实体识别、信息抽取和故障诊断等任务场景进行了专门的训练和优化。与现有的深度学习算法相比,该研究所提方法在验证集和测试集上实现了20%到30%的性能提升,体现了其在召回率和精确度上的显著优势。缝纫设备知识的非结构化文本信息挖掘,可为平缝设备数据集成、设备故障运维、平缝工艺路线设计等方面的知识图谱构建提供参考。

摘要：由于高速公路施工项目工期短、成本高等原因,高速公路施工现场的柴油发动机在发生故障时,需要得到及时的故障诊断和故障处理。通过BiLSTM-CRF模型实现故障实体抽取和关系抽取,利用结构化的语义网络来描述柴油发动机故障知识,以此构建柴油发动机故障领域知识图谱。同时,结合贝叶斯网络实现故障原因推理以对其知识图谱进行补全,还设计了基于知识图谱的柴油发动机故障诊断系统,以全面提升高速公路施工现场工程机械的维修效率。

摘要：针对航空发动机故障领域知识图谱构建过程中实体抽取的需要,构建了相关数据集,提出了一种融合字、词序列信息的Lattice Transformer-CRF实体抽取方法。该方法先是通过lattice结构,将字、词序列信息同时作为输入,通过Transformer模型进行特征提取后,将信息输入到CRF模型中进行序列标注,从而得到最优解。实验结果表明:在方法有效性验证中,与其他方法对比,在公共数据集上,所提方法的精确率、召回率和F值均取得了较高的得分;在方法适用性验证中,所提方法F值达到了95.02%,表明该方法可解决领域文本实体的自动抽取问题,且相较于其他4种传统方法更为先进、鲁棒性更强。

摘要：介绍命名实体识别及模型应用研究情况,以中医典籍作为数据源,采用深度学习方法,进行中医疾病、方剂、中草药等实体抽取,设计BiLSTM-CRF序列标注模型,构建中医典籍实验语料进行实验,结果表明该模型算法具有高度准确性。

摘要：本文将知识图谱引入汽车故障诊断领域,以某公司的售后业务数据为来源,根据文本特点,设计了一种知识图谱构建流程:在传统构建流程的基础上,加入文本预分类和实体重组流程。基于DPCNN模型的文本预分类用于处理目标字段存在信息冗余的问题;基于BERT-BiLSTM-MUL-CRF模型的实体抽取与基于语法规则的实体重组的组合形式可以有效解决文本中的嵌套实体问题和非连续实体问题;采用结合术语相似度和结构相似度的方法完成知识融合;最后,选用Neo4j图数据库进行存储,完成汽车故障知识图谱的构建。

摘要：[研究目的]随着网络技术的长足发展,基于互联网的开源情报更加受到情报分析领域的重视,自动化、高效的文本情报智能分析处理技术是海量开源情报数据处理的必要手段。[研究方法]从互联网文本情报智能分析处理的数据获取、关键信息抽取及智能分析三个核心处理流程着手,对互联网开源文本情报智能分析中存在的问题和研究进展进行了总结和分析,阐述了解决问题近年来采用的新方法新思路。[研究结论]基于机器学习和深度学习的结合使用,使得互联网开源文本情报智能分析技术越来越走向实用,但如何解决特征设计和样本标注量的问题值得进一步研究,同时由于自然语言理解本身的复杂性,对文本信息的深层次理解仍然极具挑战。

摘要：【目的】引入产品画像概念,解决现有电商平台上对产品静态信息和动态评论关联上的不足。【方法】将知识图谱作为挖掘、组织、存储、展示产品信息的方法,引入到产品画像的构建研究中,提出基于知识图谱的产品画像构建方法。【结果】通过设计三项实验生成手机知识图谱数据层,其中命名实体抽取实验的F值达到77.52%,评价对象–评价词抽取实验的F值达到76.04%,同义词发现实验的F值为63.16%。其实验结果验证了所提方法的有效性。【局限】产品画像构建中的关系抽取限定了关系类别,使得画像中的关系数量有限;对产品市场流通维度的分析有限。【结论】本研究能够有效帮助购物平台改善产品对比和产品搜索等机制,为用户提供更好的产品服务。