-
公开(公告)号：CN113010691A
公开(公告)日：2021-06-22
申请号：CN202110337986.1
申请日：2021-03-30
Applicant: 电子科技大学
Abstract: 本发明提出了一种基于图神经网络的知识图谱关系推理方法，该方法包括：在知识图谱推理中的关系推理模型中主要分为评分函数和预测结果两个部分，其中关系推理的结果可以根据不同方式来获得目标节点的与关系组成的候选结果集。在候选结果集中推理正确关系的过程中，本发明主要是结合知识图谱中的结构信息联合知识图谱的语义和注意力机制，以实现知识图谱中未知关系推理预测。在进行知识图谱语义信息获取的过程中，同时使用同构信息理论对目标头尾实体周围的结构信息进行提取，对目标关系周围的知识图谱进行注意力信息采集，通过注意力机制有效融合，将分值最高的候选结果作为最终结果进行输出。
-
公开(公告)号：CN113553850A
公开(公告)日：2021-10-26
申请号：CN202110338079.9
申请日：2021-03-30
Applicant: 电子科技大学
IPC: G06F40/295 , G06F40/253 , G06F40/211 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于有序结构编码指针网络解码的实体关系抽取方法，该方法包括：在输入层利用BERT预训练模型训练词向量进行Word Embedding，然后加入对抗训练生成句子向量表示的负例，构建句子初始向量；在编码层使用Bi‑OnLSTM捕获文本的全局语义信息；在解码层使用指针网络的解码思想，分别进行头实体抽取、尾实体和关系抽取，使用Sigmoid代替Softmax预测输入，完成实体关系三元组抽取任务。由于解码层采用了指针网络的解码方式，可以很好地解决实体关系重叠问题和句子包含三元组个数较多的有效提取的问题，从而提高实抽取实体和关系的准确率。
-
公开(公告)号：CN113051929A
公开(公告)日：2021-06-29
申请号：CN202110308269.6
申请日：2021-03-23
Applicant: 电子科技大学
IPC: G06F40/30 , G06F40/211 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于细粒度语义信息增强的实体关系抽取方法，该方法包括：在输入层选取句子上下文信息构成句子初始向量；在编码层使用BERT预训练语言模型捕获文本的所有隐藏特征向量；在实体识别层借助指针网络获取头实体、尾实体范围表示，并获得实体类型信息；在关系抽取层使用之前的隐藏特征向量拼接实体类型信息去获得头尾实体的隐藏向量表示从进行关系抽取；然后在输出层之前加入细粒度类别词典使用注意力机制去获取关系类别的权重，连接输出层，使用Softmax对关系进行抽取分类。由于BERT的存在，本模型能够地对句子进行编码提取全部特征，而指针网络也为解决重叠实体三元组提取问题提供了较好的解决思路；最后构建细粒度类别词典使用注意力机制获取权重解决关系类别样例不平衡问题，最终提高了实体关系抽取的准确率。
-
-
Search Results
3
records
(took 0.014 seconds)
