实体识别

摘要： 知识库问答任务是自然语言处理领域中的研究热点之一,目前国内外学者对知识库问答方法的研究大多数是基于英文数据,基于中文数据的研究非常少。由于中文存在语言多变性、语法不明确性、语言歧义性等特点,导致很多英文知识库问答研究方法很难应用于中文数据。针对以上问题,该文提出一种基于信息匹配的中文知识库问答研究方法,探索方法在中文数据上的效果。首先对问题进行主语实体识别和属性值识别;其次将问句中的实体链接到知识库中的实体,使用逻辑回归对候选实体进行筛选;再次抽取其两跳内关系作为候选查询路径,将候选查询路径和问题进行相似度匹配得到匹配度最高的候选路径;最后使用实体拼接来得到多实体情况的查询路径,查询知识库获得最终答案。该方法在CCKS2019 CKBQA测试集上的F值达到了75.6%。

摘要： 针对越南语事件标注语料稀缺且标注语料中未登陆词过多导致实体识别精度降低的问题,提出一种融合词典与对抗迁移的实体识别模型。将越南语作为目标语言,英语和汉语作为源语言,通过源语言的实体标注信息和双语词典提升目标语言的实体识别效果。采用词级别对抗迁移实现源语言与目标语言的语义空间共享,融合双语词典进行多粒度特征嵌入以丰富目标语言词的语义表征,再使用句子级别对抗迁移提取与语言无关的序列特征,最终通过条件随机场推理模块标注实体识别结果。在越南语新闻数据集上的实验结果表明,在源语言为英语和汉语的情况下,该模型相比主流的单语实体识别模型和迁移学习模型的实体识别性能有明显提升,并且在加入目标语义标注数据后,相比单语实体识别模型的F1值分别增加了19.61和18.73个百分点。

摘要： 生物医学文本蕴含着丰富的探索价值,其为生物医学工作者进行研究提供了宝贵的领域知识.充分且高效地利用海量的生物医学文献,并从中发现重要的隐藏信息、获取专业领域知识,对生物医学研究具有重要的意义.生物医学实体链接是对生物医学文本中的命名实体进行识别,并将表示该实体的某些字符串映射到生物医学领域知识库中对应概念.生物医学实体链接任务通常面临两个主要的挑战:(1)自然语言描述的歧义性.(2)自然语言文本与生物医学知识库的异构性.传统的方法基于特征选择或规则发现,依赖于手动选择特征或定义规则,处理分阶段模型中也可能出现误差传播.因此,本工作提出了一种深度学习和知识库相结合的实体链接方法,通过深度挖掘自然语言文本的隐藏特征,及其与知识库概念图间结构的相似性,将生物医学实体识别与实体-概念对齐两个任务进行联合式处理.该方法旨在通过标准的生物医学知识库,自动获取生物医学实体的语义信息,挖掘生物医学实体之间的语义关系.实验表明,该方法在实体识别与对齐方面取得了较好的效果,显著提高了任务的精确性,在实体链接核心任务上取得了超过10%的性能提升.

摘要： 本文探讨了科技文献中算法实体的自动识别研究,着重研究嵌套型算法实体的识别优化问题。首先通过远程监督学习的方式构建算法实体训练语料,再引入数据增强技术扩充语料规模,最后应用BartNER模型实现科技文献中嵌套算法实体的自动识别。实验结果显示,在引用数据增强技术的基础上BartNER模型取得了76.66%的F1值,证明该方法对嵌套算法实体识别的有效性,同时证明数据增强策略能够有效提升嵌套算法实体的识别效果。

摘要： 针对传统HMM模型存在的上下文信息获取困难、未登录词无法处理等问题,本文提出一种优化的HMM模型。优化后的模型充分考虑了上下文的语义联系和依赖关系,采用Bi-gram指数线性插值算法,消除零概率事件,并对未登录词进行处理。使用改进的Viterbi算法求解最可能的状态序列并输出结果,提高模型的识别效果。使用简历数据集和CCKS2017电子病历数据集进行模型对比验证,实验结果表明,优化的HMM模型的实体识别效果优于传统的HMM模型,在CCKS2017电子病历数据集中的准确率和F1值分别达到91.61%和91.21%,提升了15.84%和11.78%;在简历数据集中的准确率和F1值分别达到91.29%和91.07%,提升了8.67%和6.88%。

摘要： 故障实体识别是自主获取航空发动机故障知识的基础,对实现航空发动机故障智能诊断起到至关重要的作用。为准确快速搭建航空发动机大规模故障知识库,在定义了“单元”“故障状态”“表征信号”“检查方法”和“解决措施”5种航空发动机故障实体类型的基础上,初步构建了一种以Bert-BiLSTM-CRF模型为基础的航空发动机故障实体识别方法。基于某型航空发动机大规模数据集分析抽取了故障实体,搭建了滑油压力异常故障知识图谱,验证了该方法识别航空发动机多源异构故障数据的有效性。

摘要： 知识图谱拥有强大的表达能力,借助知识图谱可快速生成检索配电网设备选型、配置连接的辅助决策规则库,有利于降低配电网规范使用难度。同时,由于自动从技术规范文档提取实体关系时存在实体缺失和语义模糊等问题,文中提出基于GCN的配电网知识图谱构建方法,利用文档的语法依存关系和图神经网络的消息传递能力,实现多元实体关系抽取,以提高知识图谱构建的完整性。实验结果表明,该方法在实体关系提取任务的准确度方面有了明显的提高。基于此,文中还提出了基于知识图谱遍历的配电网计量装置选型规则生成方法,其生成的规则更加精确,避免了模糊性。

摘要： 地方志承载了当地丰富且悠久的历史、文化和思想,本文以雄安县志为例,对其中所记录的作物物产名称和信息中的7大类实体进行自动识别和抽取,为后续方志古籍知识库、智能问答系统构建提供基础。对雄安县志物产节进行数据预处理后,分别利用条件随机场(Conditional Random Fields,CRF)、Bi-RNN和Bi-LSTM-CRF在该语料上进行实体识别的实验研究,并对最终结果进行对比分析。在全部语料上训练得到的Bi-LSTM-CRF模型的准确率和召回率分别达到了82.27%和88.12%,证明了与单一学习模型相比,融合机器学习与深度学习的模型在实体识别任务中有更好的表现,能够为大规模古籍文本的智能化处理与深度挖掘提供借鉴。

摘要： 基于span的联合抽取模型在命名实体识别和关系抽取上取得了优异的效果。这些模型将文本span作为候选实体,并将span元组视为候选关系元组。span的语义表示在实体识别和关系分类中共享。然而现有基于span的模型无法很好地捕获这些候选实体和关系的语义,为了解决这些问题,提出了一种融合attention机制的span的联合抽取模型。特别地,attention用于计算相关语义表示,包括span特定特征语义表示和句子上下文的语义表示。实验结果表明,所提出的模型优于以前的模型,并在ACE2005、CoNLL2004和ADE 3个基准数据集上达到了当前最优的结果。

摘要： 航行通告信息是保障飞行安全所需的重要情报。针对航行通告信息难以采用统一格式处理特点,通过令牌化实现分词,并通过词嵌入方法,实现了航行通告中命名实体抽取。针对航行通告无标注数据集而无法进行机器学习的问题,采用改进的KMP算法结合实体间距离进行关系抽取。实验结果表明,采用此方法抽取航行通告信息,实现了航信通告信息中实体与关系的提取,得到了格式化的数据,解决了航信通告领域无标注数据集的问题。

摘要： 本文主要通过CRF-工具对《曹沧洲医案》进行症状一药物实体识别，首先经过标注工具标注中医症状-药物BIO标签进行训练和测试，得到F测度值82%，比只运用单一特征的CRF抽取的结果效率更高，可见利用本文提出的BiLSTM+CRF提取方法对中医医案古籍的实体识别具有良好的效果。通过对《曹沧洲医案》等中医医案古籍的实体识别研究，为将来建立中医药搜索引擎及新知识挖掘等方面提供了一种可行的方法。

摘要： 近年来,基于注意力(attention)机制的循环神经网络在文本分类中表现出显著的性能.然而,当训练集数据有限时,测试集数据中许多领域实体指称项在训练集中处于低频,甚至从未出现,如,中文话语领域分类任务.本文提出结合特殊领域实体识别的远监督话语分类模型.首先,通过远监督(distant supervision)的方式获取数据集中的领域知识,显著地减少了人工操作;其次,利用特殊领域实体识别和本地构建的补充性知识库去补全远监督获取的领域知识,旨在为模型提供更加全面的领域知识;最后,对基于上下文的语义特征和知识特征这两种异构信息提出了细粒度拼接机制,在词级上融合了预训练词汇语义表达和领域知识表达,有效地提升了分类模型的性能.通过与研究进展的文本分类模型的对比实验表明,本文的模型在中文话语领域分类基准数据集的实验上取得了较高的正确率,特别是在知识敏感型领域,较研究进展方法具有显著的优势.

摘要： 实体识别是数据量质融合管理中的一项关键技术,对能否提高数据质量起着决定性作用.其目的在于识别出数据中表示同一时象的不同形式;以及同一形式所代表的不同对象.随着大数据研究技术的发展,大数据上的实体识别问题受到了广泛关注.因此,在大数据的信息集成背景下,给出了一个基于Map-Reduce框架的大数据实体识别算法(entity identification in big data based on Map-Reduce,EIBM).该算法首先通过属性值计算记录间的相似程度,而后基于图聚类的方法进行实体识别从而输出得到最终结果.最后,在Hadoop平台上对真实数据集和人造数据集进行了多组实验,实验结果验证了算法的并行程度和对于处理大数据的有效性与高效性.

摘要： 数据空间是一个异构的环境,并且数据及模式具有随时间演化的特性.已有的实体识别技术很少考虑时间信息在识别中所起的作用,并且没有考虑实体随时间演化的特性.针对数据空间中具有时间信息的实体识别,提出了一个四阶段的时间为中心的集合实体识别策略(T-CER).T-CER在实体识别过程的不同阶段都考虑了时间信息所起的作用,在识别阶段提出了基于时间的聚类算法(T-Clustering),并使用基于时间的约束对识别结果进行检查,以获得更精确的识别结果.在真实数据集上的大量实验结果表明了T-CER的可行性和有效性.

摘要： 本文介绍了一个从实体识别到PPI网络构建的生物医学文献蛋白质关系抽取系统.该系统采用特征耦合泛化策略进行蛋白质实体识别;采用基于扩展语义相似度的方法进行蛋白质名均一化;融合了基于特征的核、树核以及图核进行蛋白质关系抽取;并实现了蛋白质关系网络的可视化.该系统在DIP数据库的一个子集上获得59.88％的综合分类率(F-score),取得了优于其他系统的性能。

摘要： 查询切分是对查询进行结构分析和优化的基础。使用常规的分词方法对查询进行切分效果并不理想。在对分词错误进行分析的基础上，本文提出了一种单字消除和实体识别的查询切分方法。基于真实查询数据的实验结果表明，该分词方法的正确率和召回率分别达到了 80.2％和97.4％.该结果和相关研究工作的对比表明，基于单字消除和实体识别方法可以有效地对查询进行切分。

摘要： 以法学知识为中心的认知智能是当前司法人工智能发展的重要方向.本文提出了以自然语言处理(NLP)为核心技术的司法案件案情知识图谱自动构建技术.以预训练模型为基础,对涉及的实体识别和关系抽取这两个NLP基本任务进行了模型研究与设计.针对实体识别任务,对比研究了两种基于预训练的实体识别模型;针对关系抽取任务,提出融合平移嵌入的多任务联合的语义关系抽取模型,同时获得了结合上下文的案情知识表示学习.在“机动车交通事故责任纠纷”案由下,和基准模型相比,实体识别的F1值可提升0.36,关系抽取的F1值提升高达2.37.以此为基础,本文设计了司法案件的案情知识图谱自动构建流程,实现了对数十万份判决书案情知识图谱的自动构建,为类案精准推送等司法人工智能应用提供语义支撑.

摘要： 本文提出了一种基于维基百科和模式聚类的方法,旨在从开放文本中抽取高准确率的中文关系实体对.首次使用从人工标注知识体系知网到维基百科实体映射的方式获取关系实例,并且充分利用了维基百科的结构化特性,该方法很好地解决了实体识别的问题,生成了准确而显著的句子实例;进一步,提出了显著性假设和关键词假设,在此基础上构建基于关键词的分类及层次聚类算法,显著提升了模式的可信度.实验结果表明该方法有效提升了句子实例及模式的质量,获得了良好的抽取性能.

摘要： 突发事件发生后，随着时间的进展网民评论事件的角度可能会逐渐变化，这将导致事件的类 别漂移，普通的事件有可能会被炒作从而带来负面影响。本文提出了一种检测事件类别漂移的方法，该方法依次对原始数据进行实体识别、实体关联和分类，最后计算类别的漂移加速度，得出事件的类 别漂移情况。实验表明该方法可以检测出某事件在某段时间内以周期T 为单位的类别漂移情况进而得 到事件的发展趋势。

摘要： 面对海量如山,五花八门,各级各类的档案,必须对其进行分类管理,这也是档案管理人员的职责所在.如果由人工对其进行分类,会大大增加管理成本,管理效率低下.因此,研究如何利用信息技术,并且基于现有的档案分类规则,实现档案自动分类管理,成为解决问题的关键.研究利用深度学习的经典算法实现底层对文本实体的识别,再利用逻辑关系判断进行文档种类的分类,从而大大减轻档案管理人员的工作量.

摘要： 一种识别系统、实体装置、识别装置及实体装置的识别方法。该识别系统包括：一实体装置以及一识别装置；该实体装置具备耦接至一识别检测引脚的一路径电路；该识别装置传输一探测信号至该识别检测引脚，并经由该检测引脚接收一反射信号，其中该反射信号藉由该探测信号反应于该路径电路的阻抗特性而产生，该识别装置依据该反射信号所反应的该路径电路的阻抗特性而获得该实体装置的一辨识信息。本发明的识别系统可减少用于识别的引脚的数量，并有效地利用实体装置的阻抗特性来识别辨识信息。

摘要： 一种识别系统、实体装置、识别装置及实体装置的识别方法。该识别系统包括：一实体装置以及一识别装置；该实体装置具备耦接至一识别检测引脚的一路径电路；该识别装置传输一探测信号至该识别检测引脚，并经由该检测引脚接收一反射信号，其中该反射信号藉由该探测信号反应于该路径电路的阻抗特性而产生，该识别装置依据该反射信号所反应的该路径电路的阻抗特性而获得该实体装置的一辨识信息。本发明的识别系统可减少用于识别的引脚的数量，并有效地利用实体装置的阻抗特性来识别辨识信息。

摘要： 本申请公开了一种嵌套实体识别模型的训练方法、嵌套实体识别方法及装置，属于人工智能技术领域。方法包括：获取多个第一嵌套实体的标签信息；对于任一第一嵌套实体，根据第一网络模型确定任一第一嵌套实体的第一预测信息；基于多个第一嵌套实体的标签信息和第一预测信息，对第一网络模型进行训练，得到第二网络模型；响应于满足第一条件，将第二网络模型作为嵌套实体识别模型，嵌套实体识别模型用于对嵌套实体的实体类型进行识别。该嵌套实体识别模型能够从嵌套实体的各个字符中，准确的识别出能作为子实体的开始字符的字符以及能作为子实体的结尾字符的字符，以组合出嵌套实体的各个子实体，从而准确识别嵌套实体的各个子实体的实体类型。

摘要： 本申请公开了一种命名实体识别方法和命名实体识别装置。所述命名实体识别方法，包括：解析所述输入文本，获得所述输入文本对应的多个候选依存树结构；从所获得的多个候选依存树结构中利用推断的方式获得所述输入文本对应的目标依存树结构；将所述输入文本和所述输入文本对应的目标依存树结构输入命名实体识别模型，获得所述输入文本对应的命名实体序列。

摘要： 公开了一种用于训练实体识别模型的方法，包括：构造训练集；以及将该训练集中的训练样本输入到实体识别模型，以得到该训练样本中的句子的序列标注预测输出和实体匹配预测输出，基于该句子的序列标注预测输出和该句子的序列标注标签确定该句子的序列标注损失；至少部分地基于该句子的实体匹配预测输出和该句子的隐喻实体标签确定该句子的实体匹配损失；确定该实体识别模型的总损失，该总损失为该序列标注损失和该实体匹配损失的加权和；以及迭代执行训练以最小化该实体识别模型的总损失，从而得到经训练的实体识别模型。本申请还涉及相对应的实体识别方法以及相关系统、装置和介质。本方案能够全面、高效地识别出包括隐喻实体在内的感兴趣实体。

摘要： 本公开的实施例公开了标题实体识别模型训练方法、标题实体识别方法和装置。该方法的一具体实施方式包括：基于物品信息样本组，对初始掩码文本识别模型进行训练，得到训练后的掩码文本识别模型，其中，初始掩码文本识别模型包括预先训练的初始文本编码模型，训练后的掩码文本识别模型包括训练后的文本编码模型；将训练后的文本编码模型与预设的解码网络确定为初始标题实体识别模型；基于标题样本组，对初始标题实体识别模型进行训练，得到训练后的标题实体识别模型。该实施方式减少了标注时间，提高了标题实体识别模型识别的准确率和鲁棒性。

摘要： 本说明书实施例提供命名实体识别模型训练方法及命名实体识别方法，其中所述命名实体识别模型训练方法包括：获取第一训练集、第二训练集和预训练的资源模型；利用第一训练集，对第二预设语言模型进行训练，得到目标模型；从第二训练集中提取任一第二资源词条，将该第二资源词条分别输入资源模型和目标模型，得到该第二资源词条的第一资源类别和第二资源类别；根据第一资源类别和第二资源类别调整目标模型的模型参数，返回执行从第二训练集中提取任一第二资源词条的步骤，在达到第一预设训练停止条件的情况下，确定训练后的目标模型作为命名实体识别模型。提高了命名实体识别模型的可靠性，提高基于命名实体识别模型进行命名实体识别的准确度。

摘要： 本发明提供一种命名实体识别模型的训练方法和命名实体的识别方法，其中，命名实体识别模型的训练方法，包括：获取训练数据，其中，所述训练数据包括训练文本和标识信息，所述训练文本包括第一命名实体和第一指示信息，所述第一指示信息与所述第一命名实体相关联，所述标识信息用于指示所述第一命名实体与所述第一指示信息在所述训练文本中的位置；将所述训练数据输入预先构建的学习模型进行训练，得到所述命名实体识别模型。本发明实施例提供的方案至少可以解决现有的命名实体的识别方法存在识别的准确性较差的问题。

摘要： 本发明实施例涉及一种实体关系识别模型构建、语句实体关系识别方法及装置，模型构建方法包括：将携带有标准实体类别标签和标准实体关系标签的样本语句输入至初始模型进行深度学习训练，输出样本语句中各元素的实体类别标签和各实体的实体关系标签；计算实体类别标签与标准实体类别标签之间的第一损失值；计算实体关系标签与标准实体关系标签之间的第二损失值；基于第一损失值和第二损失值，调整模型参数，直至第一损失值小于第一预设值和所述第二损失值小于第二预设值，则确定初始模型训练完成，将训练好的初始模型作为实体关系识别模型。由此，可以实现语句的实体识别与实体关系抽取任务联合进行以及较为精准的识别实体关系。

摘要： 本发明公开一种实体识别模型训练方法，实体识别的方法及系统。其实体识别模型训练方法包括：S1:构建实体识别模型，所述实体识别模型包括第一神经网路和第二神经网路；S2:对第一神经网络进行离线预测；S3:加载第一神经网络的预测结果和第二神经网络；S4:对第二神经网络进行压缩处理；S5:计算第一神经网络离线预测的logits的损失和第二神经网络在线预测的logits的损失；S6:计算第二神经网络的总损失，根据总损失更新第二神经网络参数。本申请先以离线的方式对第一神经网络进行预测，保留特征，再训练第二神经网络，大大减少了硬件的计算成本。