公开(公告)号：CN112084330B

公开(公告)日：2025-01-14

申请号：CN202010806791.2

申请日：2020-08-12

Applicant: 东南大学

Inventor： 李学恺 ,  吴桐桐 ,  漆桂林

IPC: G06F16/35 ,  G06F40/295 ,  G06N3/0442 ,  G06N3/0985

Abstract: 本发明公开了一种基于课程规划元学习的增量关系抽取方法，包括以下步骤：构建课程规划元学习增量关系抽取框架；计算关系间相似度，并根据相似度重新规划记忆缓存训练顺序；训练关系抽取神经网络模型，并结合元学习思想，使用元学习参数更新公式对关系抽取神经网络模型的参数进行更新；利用聚类方法从训练数据中挑选出一批记忆缓存；将更新后的参数载入到关系抽取神经网络模型，并进行性能测试。本发明将课程学习和元学习思想引入到增量关系抽取任务中，有效提升了模型的平均准确率和整体准确率，并降低了模型的误差范围，从而有效缓解了增量学习中的“灾难性遗忘”和“次序敏感”问题，在主流的数据集上取得了优于传统方法的效果。

公开(公告)号：CN114118092A

公开(公告)日：2022-03-01

申请号：CN202111474423.3

申请日：2021-12-03

Applicant: 东南大学

Inventor： 李学恺 ,  漆桂林

IPC: G06F40/295 ,  G06F16/36 ,  G06F16/28 ,  G06K9/62 ,  G06N3/08

Abstract: 本发明涉及一种快速启动的交互式关系标注与抽取框架，包括以下步骤：S1：使用通用命名实体识别数据集对命名实体识别模型进行预训练；S2：使用通用关系抽取数据集对少样本关系抽取模型进行预训练；S3：设定待抽取关系和少量标注数据；S4：对待抽取文本进行数据预处理；S5：使用命名实体识别模型对待抽取文本进行命名实体识别；S6：对实体进行人工配对；S7：对配对结果进行初步关系抽取；S8：对关系抽取结果进行人工校对；S9：对少样本关系抽取模型进行微调；S10：重复S4到S9直到所有的待抽取文本均处理完成。该方案克服现有启动成本高昂和重人力成本投入的缺点，实现具有快速启动和低人工成本特性的关系标注和抽取。

公开(公告)号：CN112667732A

公开(公告)日：2021-04-16

申请号：CN202110099305.2

申请日：2021-01-25

Applicant: 东南大学

Inventor： 吴桐桐 ,  李学恺 ,  漆桂林

IPC: G06F16/25 ,  G06F16/35 ,  G06F16/36 ,  G06F16/38 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明公布了一种基于任务感知元学习的持续关系抽取方法，包括：步骤1)构建基于任务感知元学习的持续关系抽取框架；所述框架包含：关系抽取神经网络分类模型、任务序列、记忆数据仓库、记忆数据选择器、负例标签选择器、元学习网络模型训练方法和参数更新方法。步骤2)结合任务与分类模型交互信息和任务自身语义信息，使用负例标签选择器为训练数据选择合适的负例标签。步骤3)训练关系抽取神经网络模型，并结合元学习思想对模型参数进行更新。步骤4)利用聚类方法从训练数据中挑选出一批记忆缓存。步骤5)将更新后的参数载入到模型，并进行性能测试。所述于基于任务感知元学习的持续关系抽取方法可以有效提升持续关系抽取效果。

公开(公告)号：CN112084330A

公开(公告)日：2020-12-15

申请号：CN202010806791.2

申请日：2020-08-12

Applicant: 东南大学

Inventor： 李学恺 ,  吴桐桐 ,  漆桂林

IPC: G06F16/35 ,  G06F40/295 ,  G06N3/04

Abstract: 本发明公开了一种基于课程规划元学习的增量关系抽取方法，包括以下步骤：构建课程规划元学习增量关系抽取框架；计算关系间相似度，并根据相似度重新规划记忆缓存训练顺序；训练关系抽取神经网络模型，并结合元学习思想，使用元学习参数更新公式对关系抽取神经网络模型的参数进行更新；利用聚类方法从训练数据中挑选出一批记忆缓存；将更新后的参数载入到关系抽取神经网络模型，并进行性能测试。本发明将课程学习和元学习思想引入到增量关系抽取任务中，有效提升了模型的平均准确率和整体准确率，并降低了模型的误差范围，从而有效缓解了增量学习中的“灾难性遗忘”和“次序敏感”问题，在主流的数据集上取得了优于传统方法的效果。

公开(公告)号：CN112667732B

公开(公告)日：2024-08-16

申请号：CN202110099305.2

申请日：2021-01-25

Applicant: 东南大学

Inventor： 吴桐桐 ,  李学恺 ,  漆桂林

IPC: G06F16/25 ,  G06F16/35 ,  G06F16/36 ,  G06F16/38 ,  G06F18/23213 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明公布了一种基于任务感知元学习的持续关系抽取方法，包括：步骤1)构建基于任务感知元学习的持续关系抽取框架；所述框架包含：关系抽取神经网络分类模型、任务序列、记忆数据仓库、记忆数据选择器、负例标签选择器、元学习网络模型训练方法和参数更新方法。步骤2)结合任务与分类模型交互信息和任务自身语义信息，使用负例标签选择器为训练数据选择合适的负例标签。步骤3)训练关系抽取神经网络模型，并结合元学习思想对模型参数进行更新。步骤4)利用聚类方法从训练数据中挑选出一批记忆缓存。步骤5)将更新后的参数载入到模型，并进行性能测试。所述于基于任务感知元学习的持续关系抽取方法可以有效提升持续关系抽取效果。