关系抽取

摘要： 文档中的各个实体之间往往存在着复杂的交互关系,如何有效地汇总文档中的层级信息实现关系抽取是一个具有挑战性的研究问题。现有的文档级关系抽取方法普遍采用图模型结构或预训练模型编码文档,无法捕获丰富的多粒度信息。针对这一问题,本研究提出了一个双粒度注意力模型(Dual Attention Network,DAN),通过编码文档词级、句级特征与实体对特征之间的交互,实现文档各层级信息的融合。验证结果表明,该模型在大规模文档级数据集DocRED上获得了较为优异的效果,验证了本研究方法的有效性。

摘要： 实体关系抽取任务的一大挑战是缺乏有效的训练语料,迁移学习可在一定程度上缓解其语料不足的问题。概述了迁移学习4种基本方法的原理及适用场景,分析总结了迁移学习在实体和关系抽取两方面的研究进展,最后总结展望了迁移学习技术在实体关系抽取领域的发展趋势。

摘要： 目前基于传统深度学习的关系抽取方法在复杂语境下抽取较为困难,且未考虑语境中非目标关系对关系抽取所带来的影响.针对这一问题,本文提出了控制输入长短期记忆网络CI-LSTM(control input long short-term memory),该网络在传统LSTM的基础上增加了由注意力机制和控制门阀单元组成的输入控制单元,控制门阀单元可依据控制向量进行关键位置上的重点学习,注意力机制对单个LSTM的输入的不同特征进行计算.本文通过实验最终选择使用句法依存关系生成控制向量并构建关系抽取模型,同时使用SemEval-2010 Task8关系数据集以及该数据集中具有复杂语境的样本对所提方法进行实验.结果表明,相比于传统的关系抽取方法,本文所提CI-LSTM在准确率上有进一步提升,并在复杂语境中具有更好的表现.

摘要： 随着互联网技术的快速发展和移动设备的普及,我们每时每刻都被各种各样的信息包围着。如何从海量的数据中挖掘出具有价值的信息一直是国内外研究的热点。其中,关系抽取是信息抽取的一个重要子任务,目的是从文本中识别出实体之间的关系,从而挖掘出文本中的结构化信息,即事实三元组。在文本中,实体重叠和关系重叠是非常普遍的现象,但是现有的联合抽取模型不能够有效地解决这类问题,因此提出一种新的联合抽取模型,将关系抽取任务看作由2个子任务实体识别和关系识别组成,并分别使用序列标注的方法和多分类方法进行识别。在联合抽取过程中,为充分挖掘文本语义信息,在模型的输入层添加词性(POS)和句法依存关系(Deprel)特征,同时为消除随着句子长度增加带来的长距离依赖问题,在模型中引入注意力机制。最后,论文在NYT数据集和WebNLG数据集上进行关系抽取实验,结果表明论文提出的模型能够有效地解决关系重叠的问题,并取得最佳抽取效果。

摘要： 关系抽取作为信息抽取领域近年来的研究热点,从宏观上可具体分为基于流水线的关系抽取、联合抽取和远程监督等,其中各个类别的关键性问题并不相通。近年来深度神经网络因其强大的语义表征能力,逐渐取代传统的机器学习成为关系抽取的基本模型,又可根据抽取方法细分为基于特征、卷积神经网络和注意机制模型等的关系抽取任务。随着数据规模的不断增大,自动高效地从文本中抽取结构化信息并构建知识库具有重大意义,关系抽取的研究和发展更具有必要性。文章对深度学习模型在各类关系抽取任务中的应用进行系统性评述,先主要介绍了常用的语料集及其规模、构建方式等;然后介绍深度神经网络在基于流水线的关系抽取和联合抽取任务中的具体应用,并描述两类任务的重难点问题。最后,文章认为迁移学习和小样本学习在基于深度神经网络的关系抽取研究中更具挑战性和普遍性。

摘要： 目前知识图谱已经受到了广泛的关注,基于知识图谱的应用层出不穷。而渔业领域的相关知识图谱并不多,渔业领域信息检索质量相对较低。因此,本文针对构建知识图谱,并提出了基于渔业领域知识图谱的问答系统的解决方法。本文从互联网等渠道通过网络爬虫搜集渔业相关数据,通过数据预处理、知识抽取等方式构建了渔业知识三元组,并采用neo4j数据库进行渔业知识图谱的持久化处理。基于渔业知识图谱,采用关系抽取和相似度计算混合方法进行答案检索,完成了对问答系统的设计。

摘要： 结合上海市政务服务一网通办工作要求,本文从亲属关系证明材料的场景需求出发,以减少亲属关系证明材料提交和核验成本为目标,有效融合集成各职能部门公共数据,形成了基于自然人数据的亲属关系知识图谱构建技术框架、方法和路径。详细描述了基于自然人数据的本体模型构成,以及核心亲属关系和其他亲属关系的知识加工过程。结合公共数据治理和应用的实践,形成了标准化的本体模型、区域内三代亲属关系知识图谱和公共数据知识图谱构建方法。亲属关系知识图谱为公共数据向信息的表达和向知识的转化提供了理论参考和实践支撑,为提升政务服务效能提供支撑,为加速释放公共数据价值提供路径。

摘要： 针对军事指挥控制保障领域各种技术数据资料挖掘处理和融合应用效率低下的问题,提出利用知识抽取技术获取关键知识及其相互关系,形成相应知识体系,以实现数据的高效利用。在知识抽取系统框架的研究与设计过程中,首先介绍了知识抽取的相关理论知识,如知识图谱、命名实体识别、关系抽取等技术;其次分析了军事领域知识抽取中命名实体识别和关系抽取的研究现状;最后设计了指挥控制保障领域知识抽取系统的总体框架和模块,包括本体建模、语料标注、命名实体识别和关系抽取等模块。首次对指挥控制保障领域的知识抽取进行研究,在系统设计过程中充分考虑了部队的实际情况,具有较强的实用性和针对性,可以为指挥控制保障领域知识图谱的后续构建提供理论指导和技术支撑。

摘要： 基于转换器的双向编码表征(Bidirectional Encoder Representation from Transformers,BERT)是由谷歌在2018发布的预训练模型,该模型在11项NLP任务中取得了最优的结果。基于此,笔者提出了基于BERT的关系抽取模型,将头节点和尾节点的先验知识融合到BERT模型中,并采用SemEval公开数据集进行实验。实验结果表明,此融合方法提高了原模型的召回率和F1值。

摘要： 国家标准信息化是贯彻落实标准化工作改革和发展的重要举措。本文通过对国家标准文本中食品领域的术语语料进行研究,挖掘分析术语之间的多类型语义关系和关系层级结构,并对标准中术语及其定义进行关系抽取,获取其中的术语实体及之间关系。基于词向量的方法进行实验,结合依存句法分析,计算中文词嵌入的相似度对目标关系聚类,筛选种子进行迭代以实现关系抽取。实验结果表明,本文方法在物质原料构成等关系的抽取上取得了较好的结果。

摘要： 针对目前大多数关系抽取模型中局部特征以及全局特征利用不充分的缺点,本文提出一种采用多尺度注意力机制的远程监督关系抽取模型.在词语层面,通过在池化层构建权重矩阵来衡量词语与关系的相关程度从而捕捉句子中重要的语义特征;在句子层面,采用注意力机制将预测关系与句子进行相关性比较,获得句子级别的重要信息.模型在NYT数据集上平均准确率达到78％,表明该模型能够有效地利用多尺度特征,并且提高远程关系抽取任务的准确率.

摘要： 互联网下同一领域中不同知识概念存在多种关系,其中演化关系对于用户学习和理解领域知识,梳理领域知识的前序和后续逻辑关系具有重要意义,然而网络数据的多样和无序使用户难以准确有序的获取领域知识关系.针对该问题,提出一种面向中文维基百科领域知识的演化关系抽取方法,利用语法分析特征,构建演化关系推理模型,采用基于句子层面的关系抽取算法识别领域知识演化关系.实验表明,该方法具有较高的准确率和召回率,能有效地抽取出维基百科中领域知识的演化关系.

摘要： 信息抽取研究已经从传统的限定类别、限定领域信息抽取任务发展到开放类别、开放领域信息抽取.技术手段也从基于人工标注语料库的统计方法发展为有效地挖掘和集成多源异构网络知识并与统计方法结合进行开放式信息抽取.关系抽取(relation extraction,RE)作为信息抽取的一部分,其任务是从自由文本中将给定实体对的关系抽取出来.本文在关系抽取研究历史的基础上,重点介绍弱指导实体关系抽取的任务、难点、方法、评测、技术水平和存在问题,并结合课题组的研究积累,对实体关系抽取发展方向以及在网络知识工程、问答系统中的应用进行分析讨论.

摘要： 在大数据时代,对于海量网络数据的信息抽取与应用已成为自然语言处理和信息检索技术发展的重要主题。其中，基于弱监督的关系抽取方法，因为具有不需要过多人工参与、适应性强的特点,受到了广泛的关注.目前针对它的研究主要集中在英语资源上,主要使用传统的词法和句法特征。然而,词法特征有严重的稀疏性问题,句法特征则对一些语言分析工具的性能有较强的依赖性.提出利用n-gram特征来缓解传统词法特征稀疏性的问题。特别地，这种特征还可以弥补传统句法特征在其他语言上不可靠的情况,对于关系抽取的跨语言应用有重要作用.在此基础上,针对弱监督学习中标注数据不完全可靠的情况,提出基于bootstrapping思想的协同训练方法来对弱监督关系抽取模型进行强化,并且对预测关系时的协同策略进行了详细分析。在大规模的中文和英文数据上进行实验的结果显示，把传统特征与n-gram特征相结合并进行协同训练，在中文和英文数据集上均可以提升弱监督关系抽取的效果，可以适应多语言的关系抽取需求。

摘要： 命名实体关系抽取是信息抽取领域中的重要研究课题.本文采用基于特征向量的机器学习算法支持向量机(SVM)进行实体关系抽取实验.在现有的算法中,特征提取方法以基于关键词集的向量空间模型为主.本文提出一种基于语义的文本特征提取方法,并且在关系抽取实验中取得较好的效果.实验证明将语义特征应用到关系抽取领域中可以明显提高性能.

摘要： 基于深度学习的端到端的命名实体识别以及关系抽取，利用多任务方式同时提高命名实体识别以及关系抽取的精度，技术方法包括神经网络、知识图谱、人工知识等。

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： 随着中国建筑行业的高速发展,建筑领域在各个方面积累了大量的原始数据,如何从这些琐碎的数据中获取结构化的知识成了行业智能化所面临的新问题,而知识图谱是一个很好的解决方案.在构建知识图谱的过程中,本研究分别应用和评估了BiLSTM-CRF和ResCNN模型,结果表明它们具有良好的性能.针对机电设备规范中的属性约束条件,本研究提出了一种基于知识图谱的提取方法,该方法对于辅助BIM模型的审查具有重要意义.

摘要： 随着中国建筑行业的高速发展,建筑领域在各个方面积累了大量的原始数据,如何从这些琐碎的数据中获取结构化的知识成了行业智能化所面临的新问题,而知识图谱是一个很好的解决方案.在构建知识图谱的过程中,本研究分别应用和评估了BiLSTM-CRF和ResCNN模型,结果表明它们具有良好的性能.针对机电设备规范中的属性约束条件,本研究提出了一种基于知识图谱的提取方法,该方法对于辅助BIM模型的审查具有重要意义.

摘要： 随着中国建筑行业的高速发展,建筑领域在各个方面积累了大量的原始数据,如何从这些琐碎的数据中获取结构化的知识成了行业智能化所面临的新问题,而知识图谱是一个很好的解决方案.在构建知识图谱的过程中,本研究分别应用和评估了BiLSTM-CRF和ResCNN模型,结果表明它们具有良好的性能.针对机电设备规范中的属性约束条件,本研究提出了一种基于知识图谱的提取方法,该方法对于辅助BIM模型的审查具有重要意义.

摘要： 本公开提供了关系抽取模型建立方法，包括：对标注出实体、实体类别及关系类别的文本样本进行预处理；抽取出标注后的文本样本中包含相同实体对的多个语句作为一个语句包，获取文本样本的语句包组；基于文本样本的实体有向无环图以及标注出的文本样本的实体，获取每个实体的候选实体类别以及候选实体类别的父类别；基于文本样本的关系有向无环图以及每个实体的候选实体类别及父类别，获取实体对的候选关系以及候选关系的父关系；使用TextCNN获取多层多分类损失；使用分层注意力网络获取分层注意力损失；基于分层多分类损失、分层注意力损失构建关系抽取模型，以标注出的关系类别作为训练目标对关系抽取模型进行训练。

摘要： 本申请提供了一种关系抽取方法、关系抽取装置以及计算机存储介质。该关系抽取方法包括：将相同的句子序列分别输入学生网络、实体教师网络以及关系教师网络；将句子序列的特权实体信息输入实体教师网络，将句子序列的特权关系信息输入关系教师网络；选择句子序列中的一个正样本和若干负样本，利用正样本和负样本分别在学生网络、实体教师网络以及关系教师网络的输出表示，建立学生网络与实体教师网络的实体对比对以及学生网络与关系教师网络的关系对比对；利用实体对比对与关系对比对训练学生网络。通过上述方式，本申请的关系抽取方法采用对比学生教师学习，有效地将特权实体信息和特权关系信息提取到学生模型，以实现准确的关系提取。

摘要： 本发明涉及语言处理技术领域，特别涉及一种从文本中进行关系抽取的方法、关系抽取模型及介质，从文本中进行关系抽取的方法包括以下步骤：从预设文本中获取预设信息，并对至少一部分预设信息进行预处理，得到含有每个实体上下文信息的词语向量，预设信息包括不同实体词语、上下文特征及句法知识；利用上下文特征对句法知识进行加权，进而得到加权后的知识向量；把加权后的知识向量与含有上下文信息的词语向量串联得到结果向量；把预设文本中不同实体词语的对应结果向量串联，并对其进行解码，从而得到抽取的关系。此设计能有效地提高从文本中进行关系抽取的方法预测结果的准确性。

摘要： 本发明公开了一种关系抽取联合模型训练方法、关系抽取方法、设备及介质，包括以下步骤：获取公告文本信息，将文本信息预处理以得到文本序列，利用预训练模型提取文本序列的特征向量，特征向量包括训练向量；利用训练向量训练得到文本二分类模型、关系抽取模型，联合文本二分类模型与关系抽取模型以得到联合模型，联合模型以分类结果及主语语义结果为中间输出，将分类结果与主语语义结果相乘以得到主语结果，以主语结果为条件，对输入的文本信息进行条件层归一化，得到第二关系结果及第二客体结果，联合模型以主语结果、第二关系结果、第二客体结果为最终输出。可以减少抽取结果中与目标关键信息无关的信息，提升关系抽取结果的精确性。

摘要： 本发明提供了一种在自然语言文本中训练关系抽取模型和抽取嵌套命名实体关系的方法。本发明包括训练步骤和关系抽取过程两大步骤，能够通过实施本发明的技术方案可解决现有技术中单独算法训练和抽取过程中，端到端错误放大的问题和过程中干预调试困难的技术问题；实施本发明的技术方案，通过系统化一个单独算法训练和抽取过程，可实现的高效、精准、多层次和适用多应用场景的关系抽取的技术效果。

摘要： 本发明提供一种关系抽取模型的训练方法、关系抽取方法、设备及介质，涉及威胁情报关系处理技术领域。该方法包括：对数据集中每个文本语料中的多个句子实例进行特征处理，得到每个句子实例的初始特征；通过特征转换器对初始特征进行转换，得到每个句子实例的句子特征；通过句子实例选择器，根据每个句子实例的句子特征，从多个句子实例中选择目标句子实例；通过关系分类器对目标句子实例进行关系分类，得到目标句子实例的实体关系分类结果；根据实体关系分类结果和预先标注实体关系，对句子实例选择器和关系分类器的参数进行训练优化，得到目标关系抽取模型。本发明通过优化关系抽取模型，提高模型的关系分类精度。

摘要： 本公开提供了关系抽取模型建立方法，包括：对标注出实体、实体类别及关系类别的文本样本进行预处理；抽取出标注后的文本样本中包含相同实体对的多个语句作为一个语句包，获取文本样本的语句包组；基于文本样本的实体有向无环图以及标注出的文本样本的实体，获取每个实体的候选实体类别以及候选实体类别的父类别；基于文本样本的关系有向无环图以及每个实体的候选实体类别及父类别，获取实体对的候选关系以及候选关系的父关系；使用TextCNN获取多层多分类损失；使用分层注意力网络获取分层注意力损失；基于分层多分类损失、分层注意力损失构建关系抽取模型，以标注出的关系类别作为训练目标对关系抽取模型进行训练。

摘要： 本申请公开了一种实体关系抽取模型的训练方法和抽取实体关系的方法，涉及大数据领域。具体实现方案为：根据已知数据库中的实体关系三元组，匹配训练文本，实体关系三元组中包括已知实体对和已知实体对对应的已知关系，训练文本中包括已知实体对；基于初始模型预测已知实体对在训练文本中的关系，得到预测关系；根据多个训练文本对应的已知关系和预测关系之间的差值，调整初始模型的参数，得到实体关系抽取模型，实体关系抽取模型用于预测目标实体对在目标文本中的关系。本申请的技术方案不需要对训练文本中的实体关系进行人工标注，从而可以快速抽取实体关系。

摘要： 本发明提出了一种用户关系抽取方法和一种用户关系抽取系统，其中，用户关系抽取方法包括：获取第一用户的第一发布数据和第二用户的第二发布数据；通过LDA算法在第一发布数据和第二发布数据中分别抽取第一发布数据中的话题特征词和第二发布数据中的话题特征词；根据语义相似度计算公式，计算第一发布数据中的话题特征词和第二发布数据中的话题特征词之间的语义相似度；根据语义相似度，确定第一用户和第二用户之间的关系数据。通过本发明的技术方案，可以实时自动抽取不同用户之间的话题，计算其相似性，并根据抽取结果确定不同用户之间的关系，可以辅助系统、用户或其他第三方准确快速了解用户关系分布情况，便于对发布敏感话题的用户进行追踪。

摘要： 本发明公开了长文本中人物属性关系抽取数据库的建立方法、实体抽取方法，装置及数据库，方法包括：基于预设方法获取人物属性定义，其中，所述预设方法包括：全文检索以及性别预测中的一种或组合，其中，所述人物属性定义包括：人物基础属性和社会属性及人物社会关系属性；利用人物属性定义进行文本中实体预标注；基于标注后的实体，构建对应的三元组，将三元组的集合作为数据库。