-
公开(公告)号：CN114662495A
公开(公告)日：2022-06-24
申请号：CN202210414714.1
申请日：2022-04-20
Applicant: 暨南大学
IPC: G06F40/295 , G06F40/284 , G06F40/242 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的英文文献污染物信息抽取方法，包括：构建适用于本土环境监测文献文本挖掘的术语词典；获取原始文献，并对原始文献进行语料分词，构建文献生语料；构建实体抽取模型和关系抽取模型；对文献生语料进行预处理，得到用于实体抽取模型和关系抽取模型的训练集和测试集；通过训练集对实体抽取模型和关系抽取模型进行训练，得到训练完成的实体抽取模型和关系抽取模型；将测试集输入至训练完成的实体抽取模型进行识别，得到实体识别结果；将实体识别结果和测试集数据输入至训练完成的关系抽取模型，得到关系抽取结果。本发明不仅实现了原始英文文献中化学品的命名实体识别，也对化学品及检测浓度进行了关系抽取。
-
公开(公告)号：CN113392636B
公开(公告)日：2022-06-14
申请号：CN202110588683.7
申请日：2021-05-28
Applicant: 暨南大学
IPC: G06F40/242 , G06F40/216 , G06F40/295 , G06F16/35 , G06N20/10
Abstract: 本发明公开了一种生态风险评价文献中毒理学术语的文本挖掘方法，通过毒理学专业知识库自动获取一套英文术语词典(有害结局路径术语词典)，基于该专业的术语词典，保证了生态风险评价文献中毒理学术语文本挖掘的精确度。以及，结合有害结局路径术语词典，对语料库中的生态风险评价文献进行基于有害结局路径术语的自然语言处理，极大地提高了生态风险评价文献信息的收集速度，特定的机制信息统计替代了人工阅读，并实现了大量数据并行计算，提高了文献综述的效率。最后，依赖朴素贝叶斯算法的机器学习技术应用到毒理学术语的预测和分类，弥补了生态风险评价文献中机理信息的缺失。
-
公开(公告)号：CN113392636A
公开(公告)日：2021-09-14
申请号：CN202110588683.7
申请日：2021-05-28
Applicant: 暨南大学
IPC: G06F40/242 , G06F40/216 , G06F40/295 , G06F16/35 , G06N20/10
Abstract: 本发明公开了一种生态风险评价文献中毒理学术语的文本挖掘方法，通过毒理学专业知识库自动获取一套英文术语词典(有害结局路径术语词典)，基于该专业的术语词典，保证了生态风险评价文献中毒理学术语文本挖掘的精确度。以及，结合有害结局路径术语词典，对语料库中的生态风险评价文献进行基于有害结局路径术语的自然语言处理，极大地提高了生态风险评价文献信息的收集速度，特定的机制信息统计替代了人工阅读，并实现了大量数据并行计算，提高了文献综述的效率。最后，依赖朴素贝叶斯算法的机器学习技术应用到毒理学术语的预测和分类，弥补了生态风险评价文献中机理信息的缺失。
-
公开(公告)号：CN114662495B
公开(公告)日：2024-10-01
申请号：CN202210414714.1
申请日：2022-04-20
Applicant: 暨南大学
IPC: G06F40/295 , G06F40/284 , G06F40/242 , G06N3/0442 , G06N3/045 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的英文文献污染物信息抽取方法，包括：构建适用于本土环境监测文献文本挖掘的术语词典；获取原始文献，并对原始文献进行语料分词，构建文献生语料；构建实体抽取模型和关系抽取模型；对文献生语料进行预处理，得到用于实体抽取模型和关系抽取模型的训练集和测试集；通过训练集对实体抽取模型和关系抽取模型进行训练，得到训练完成的实体抽取模型和关系抽取模型；将测试集输入至训练完成的实体抽取模型进行识别，得到实体识别结果；将实体识别结果和测试集数据输入至训练完成的关系抽取模型，得到关系抽取结果。本发明不仅实现了原始英文文献中化学品的命名实体识别，也对化学品及检测浓度进行了关系抽取。
-
-
-
Search Results
4
records
(took 0.016 seconds)
