摘要：针对当前网络安全领域知识获取中所依赖的流水线模式存在实体识别错误的传播,未考虑实体识别与关系抽取任务间的联系,以及模型训练缺乏标签语料的问题,提出一种融合对抗主动学习的端到端网络安全知识三元组抽取方法。首先,将实体识别与关系抽取通过联合标注策略建模为序列标注任务;然后,设计融合动态注意力机制的Bi LSTM-LSTM模型实现实体与关系的联合抽取,并形成三元组;最后,基于对抗网络训练一个判别器模型,增量地筛选出高质量的待标注数据进行标注,并通过迭代训练不断提升联合抽取模型的性能。通过实验表明,所提方案中实体-关系联合抽取模型优于现有的网络安全知识抽取方案,并验证了对抗主动学习方法的有效性。

摘要：虽然知识图谱已广泛应用于各个领域,但在煤矿安全方面,尤其在煤矿井下不安全行为方面的研究较少。构建了一种自底向上的煤矿井下不安全行为知识图谱。首先,采用传统机器学习和深度学习算法相结合的方法进行命名实体识别,采用RoBERTa进行词语向量化,采用双向长短时记忆网络(BiLSTM)对向量进行标注,提高网络模型对上下文特征的捕捉能力,通过多层感知机(MLP)解决煤矿井下不安全行为数据集数据量不足的问题,采用条件随机场(CRF)模型解决前面存在的单词关系不识别问题,并捕获全文信息和预测结果。其次,根据语句的结构特点,设计了基于知识“实体-关系-实体”三元组的依存句法树结构,对井下不安全行为领域的知识资源进行知识抽取与表示。最后,构建面向井下不安全行为的知识图谱。实验结果表明:(1) RoBERTaBiLSTM-MLP-CRF模型对于导致结果、违反性行为、错误性行为及粗心性行为4类实体类别具有较好的识别效果,其准确率分别为86.7%,80.3%,80.7%,77.4%。(2)在相同的数据集下,RoBERTa-BiLSTM-MLP-CRF模型训练的准确率、召回率、F1值较RoBERTa-BiLSTM-CRF模型分别提高了1.6%,1.5%,1.6%。

摘要：当前关于智慧矿山的研究较少梳理现有知识资源,从而不能有效通过知识工程的构建和知识关联,实现由感知智能向认知智能转变的智慧矿山。为解决该问题,提出了一种基于依存句法分析的智慧矿山知识图谱构建方法。该方法首先针对智慧矿山领域的知识要素,提出一种依靠依存句法分析实现实体抽取的方法;然后,根据语句结构特点,设计了基于知识三元组的依存句法树结构,并对智慧矿山领域的知识资源进行了知识抽取与表示;最后,利用可视化建模手段实现了面向智慧矿山的知识图谱。试验结果表明,所提出的方法的性能指标准确率、召回率和F值分别达到了86.3%、82.6%和84.6%,较其他方法更优,能够可视化呈现智慧矿山领域的知识图谱。

摘要：针对航空发动机试验领域的知识特征所具有的应用难点,设计了面向航空发动机试验领域的知识图谱框架结构;并在对知识自动化获取关键技术研究的基础上,提出了基于双向迭代的领域图谱构建方法。以涡扇发动机整机试验相关知识及其文档作为方法验证对象,通过实现不同类别知识图谱数据模式设计和专题图谱漫游检索,验证了所提出方法的可行性和有效性。