摘要：[目的/意义]特定领域中的信息检索系统,往往因为用户自身领域知识不足存在检索效率低下的问题。现有的面向特定领域的知识组织工具,如领域知识图谱,可以有效缓解这一问题,但是如何将其更好地嵌入到现有信息检索系统中是目前尚未解决的问题。因此,提出一套基于领域知识图谱的探索式搜索系统的全流程解决方案,包括从实体及关系的联合抽取、领域知识图谱构建到探索式搜索系统的实现。[方法/过程]以图情领域学术文献为研究对象,对图情领域的实体及其间关系的形式化定义进行深入的探索、提出基于Paddle UIE实现实体及关系的联合抽取任务方法,并构建一个基于可交互图情领域知识图谱的原型检索系统。[结果/结论 ]通过比较不同实体及关系联合抽取方法的效果,包括Paddle UIE、Cas Rel、Sp ERT和CORE,发现基于提示学习的预训练大语言模型Paddle UIE具有更好的抽取效果,特别是在样本量较少的情况下。此外,从进一步设计的两个搜索实验任务结果中可以发现,与通用搜索引擎相比,本文系统可以显著提高用户满意度,有效解决用户领域知识不足(如跨学科场景)下检索性能低下的问题,表明本文提出的全流程解决方案可以为学术文献服务提供方开发用户支持工具提供流程指导和建议。

摘要：青藏地区素有“高原文化宝库”之称。然而受闭塞的交通条件和较滞后的经济水平的限制，青藏地区文旅资源的保护与弘扬工作始终处于滞后状态。为改善这一现状，该文以数字人文为导向，提出一套文旅知识图谱构建范式，在提示学习框架下采用联合学习的方式对文本中的实体与关系进行抽取，实现低资源条件下的知识抽取，并以全国重点文物保护单位“塔尔寺”为代表，完整地介绍了塔尔寺知识图谱从原始数据获取、本体设计、知识抽取到可视化展示的详细流程。最终，该文所构建的塔尔寺知识图谱共包含4 705个节点及17 386条关系。

摘要：为进一步提高实体关系抽取的效果,对传统标注方案进行改进,构建一个融合预训练模型和神经网络的联合抽取模型。利用RoBERTa(robustly optimized BERT approach)和Bi-LSTM(bi-directional long short-term memory)对文本进行编码,对上下文信息进行建模后,通过CRF(conditional random fields)识别实体,利用LSTM(long short term memory)进行关系分类。在中文数据集DuIE上进行消融实验和对比实验,此模型的F1指标达到77.1%,精确率高达78.3%,两项指标比当前主流模型FETI分别提高了1.3%和2.6%,实验结果验证了该模型的优势。