基于HanLP关键词抽取与句法分析的图谱构建

专业课程知识图谱的构建可以帮助优化教学过程,帮助学生解决知识迷航的问题。本文的研究旨在通过关键词抽取、句法分析,将专业课程的文本信息转换成图谱的形式,用于知识图谱的构建。研究基于Python语言开发,使用数据采集requests库对开源网站的C语言程序设计信息进行采集,采用CRF分词技术对文本进行切割,采用TF-IDF算法计算词汇的重要性并结合人工抽取关键词;基于神经网络的依存句法分析器和关键词筛选获取词汇之间的关系,通过Graphviz绘图软件构建句法分析结果的图谱。该方案对于构建知识图谱的数据采集、关键词抽取、句法分析等关键环节,具有重要的实际应用参考价值。     

面向武器装备领域的实体及关系抽取方法研究

实体及关系抽取是实现海量数据知识化的关键,而现有实体及关系抽取方法应用于垂直领域时,表现出的效果很难达到实装应用水平。针对武器装备领域,文中在分析该领域文本数据特征的基础上,提出基于预训练模型与规则知识结合的武器装备实体及关系抽取方法,由实体抽取和关系抽取两个阶段组成。在实体抽取阶段,首先,利用BERT+BiLSTM+CRF模型完成武器装备实体的识别;然后,通过规则知识对领域性实体补充抽取。在关系抽取阶段,首先,利用BERT+BiGRU+CNN模型抽取武器装备实体间关系;然后,经过滤调模块对实体间关系抽取结果过滤和调整;最后,设计强领域性的关系抽取规则,用于实体间关系的补充抽取。在仿真数据集上对本文方法评测,结果表明在实体识别和关系抽取上的F1值分别为96.4%和95.1%,与基线相比均提升了约10%。同时,文中提出的实体及关系抽取方法可作为一种通用解决方案,推广至其他垂直领域。     

目标专业领域知识图谱构建与应用初探

知识图谱技术能够将海量大数据中的信息、数据以及关联关系汇聚为知识网络,实现用户智能化检索与意图分析推理。通过对知识图谱构建过程中本体构建,多源异构互联网数据的实体抽取、关系抽取、图谱更新与维护等关键技术进行研究,构建了军事目标专业领域知识图谱,并在可视化查询、智能问答、高价值关系推荐等方向进行了应用探索,有效提高了数据的使用效益,为军事情报分析和知识应用提供了一种有效的工具和方法。     

基于GCN的配电网知识图谱构建及应用

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...     

面向裁判文书的司法知识抽取方法

运用人工智能技术对裁判文书进行司法知识抽取,是智慧司法领域的重要研究方向.文中针对传统的实体-关系抽取模型中对复杂关系和重叠关系识别不够准确的问题,面向裁判文书数据提出了一种基于级联二进制标记框架的司法知识抽取方法.对裁判文书中实体抽取和关系抽取两个任务进行了模型设计,并基于盗窃罪案由的裁判文书开展了算法实验,经实验验...     

基于深度学习的中文实体关系抽取研究

实体关系抽取能够从文本中提取事实三元组信息,这对于构建大规模的知识图谱是十分重要的。在现有的研究中,通常以先进行实体识别,而后进行关系分类或者进行统一标注的方式来完成这一任务,虽然这些方法能够使关系抽取任务变得更易实现,并且模型的网络框架灵活性更高,但是也存在误差积累和暴露误差等问题,且对于关系抽取中的关系重叠和实体嵌套等重难点问题不能够很好的处理。为了解决上述存在的问题,文章构建一种基于深度学习的中文实体关系联合抽取模型。该模型由基于评分的分类器和特定关系的角标记策略以及分区过滤网络构成,首先通过分区过滤网络,将输入的文本划分成三个分区,实体分区和关系分区以及共享分区,能够确保实体识别任务和关系抽取任务进行更好的双向交互;接着应用特定关系的角标记策略来解码实体信息,最后通过一个基于评分的分类器来输出事实关系三元组。实验表明,提出的方法能够改善传统方法带来的误差积累和交互缺失以及实体冗余等问题,提高了三元组抽取的准确率。     

一种基于词汇树结构的图像检索方法研究

本文讨论了利用词汇树的思路进行图像检索。利用K-均值聚类算法对图像的底层特征聚类,每个聚类中心为一个视觉关键词,构成树的相应节点,由各个节点生成一个树形结构的特征分类。进而利用树形结构进行图像检索,缩短了量化的时间,提高了检索准确率。     

基于事理图谱下社交媒体重疾知识型行为推荐算法研究

在线健康社区已成为公民进行健康咨询的重要平台,研究在线社区知识型节点间的行为路径,有利于揭露问答规律和事件发展逻辑,总结知识型节点之间的联系,进行知识路径追踪,为用户提供最优推送。从用户交互信息出发进行知识型节点的提取,识别关键知识型节点进行事理图谱的构建,基于图谱的逻辑关系,利用行为路径融合用户的协同过滤推荐算法识别关键路径,将适合用户需求的内容推荐给用户,有效解决用户提问难和提问方法不准确等问题,提高在线健康社区推送的信息服务质量。     

面向食品安全法规的知识图谱构建

我国建立了完备的食品安全法规体系,其具有海量和零散性的特点,难以检索分析。以食品安全法规文本数据为依托,通过自顶向下和自下而上的方式进行食品安全法规知识图谱的构造研究。首先,获取多源异构的食品安全法律法规和问答数据语料,对用户的需求进行分析。其次,定义食品安全知识图谱的本体层及其属性,使用基于规则的方法对知识进行抽取,针对规则性不强的知识,使用基于机器学习的命名实体识别方法完成领域命名实体识别。最后,实现食品安全法规知识图谱的构建。     

基于ontology抽取优化初始选择的检索结果聚类

 本文针对互联网的数据量的不断增加,准确搜索引擎的作用日益困难的问题,为了提高搜索引擎返回结果结构化聚类的效果,让信息的定位更迅速,本文采用基于标签的聚类算法,并使用自然语言处理技术中的依存句法分析和词典资源,深度挖掘语义结构,提出基于优化初始选择的K均值聚类方法.本文深入分析K均值聚类算法特点,并利用类别标签技术对该算法进行有效改进.实验证明该算法不仅在效果上优于一般聚类算法,对结果描述也有很大帮助,在效率上也得到很大提高.     

结合词语规则和SVM模型的军事命名实体关系抽取方法

作战文书一直是我国军事中的一项重要任务,但是由于作战文书的特殊性和保密性,写者都会用一些带有特殊性质的东西来掩人耳目,但是作战文书非常重要,关乎作战中军事命名和实体作战的关系,稍有不慎就会理解错误,轻则会违反规定,重则会直接影响到我国的经济利益和国土安全,因此,抽取作战文书中的主要意思,弄清楚军事命名实体关系,对实现作战文书语义理解有着重大突破。作战文书分析模式虽然有很多方法,但是大多数学者都是在它的基础上结合词语规则和SVM模式进行研究,是目前最为有效的抽取方法。此类方法的使用主要是先利用语文中经常用到的词语规则整理出作战文书中连续出现并且相似度极高的实体,并从中提取出相关信息,两者相互磨合,能更好地与SVM模型兼容。其次,使用SVM模型对各个有效因素进行建立模型,抽取其中我们所需要的信息进行军事命名实体关系的研究。根据以上结果充分表明,如果单独使用SVM模型进行提取,其结果将不堪一击,但是如果优先利用词语规则进行提取,之后再结合SVM模型进行抽取,整个准确率和效率都会得到事半功倍的效果。     

基于依存句法的实体关系抽取

本文首先介绍了自然语言处理的概念,并给出了自然语言处理模型,与此同时,分析了依存句法的有关问题,包括其公理以及具体分析方法等,最后阐述了基于依存句法的实体关系抽取过程。     

面向电商领域的旗袍知识图谱构建与实证研究

为挖掘旗袍服饰要素的关联关系与隐藏价值,构建一个基于电商数据的细粒度旗袍知识图谱,并开展实证研究。旗袍知识图谱采用自底向上逐层构建的方法,首先根据先验知识设计细粒度本体模型,为后续工作提供逻辑基础;然后采集并预处理原始数据,通过知识抽取、知识融合规范化数据,进行实例填充,完成数据层设计;最后将数据存储到图数据库,实现可视化。在此基础上,围绕旗袍、服饰要素以及用户人群开展深度挖掘、知识推理,借助图分析算法在社区检测、相似度和要素关联上展开实证研究。结果表明：旗袍知识图谱蕴含服饰要素之间隐藏的关系,能够挖掘内在的语义信息;旗袍服饰要素和用户人群之间存在一定的知识关联性,进而辅助设计与销售决策。     

基于朋友聚类的语义覆盖网构建方法研究

P2P网络是一种极具潜力的信息共享方式,当前对于它的研究成为网络技术的热点问题.P2P网络的分布、分散、组织困难等特点,使P2P网络在应用中有很多不足,这就要求提高P2P网络的应用效率,优化查询过程等.以一个无结构的,可以用无向图来表示的P2P网络为基础,首先构造了一个描述节点上文件的元数据模型,在这个模型的基础上进行语义聚类,并定义了一个聚类特征向量来描述生成的聚类.在完成本地节点上的聚类以后,再进一步进行节点间的聚类,提出了朋友聚类的概念,基于朋友聚类构建语义覆盖网,它可以大大提高查询效率.     

基于层次聚类的案例检索策略

基于案例推理技术在众多领域已经得到了广泛地应用.本文首先将案例库按层次进行聚类,在此基础上设计了一个基于异构案例库的检索策略.分析了案例库层次聚类规则,重点论述了在聚类基础上的案例检索策略.根据实验结果表明,该方法能够有效地提高案例库中案例的利用率以及案例检索的成功率.     

基于用户行为分析的APP用户知识图谱构建

为了更好地帮助开发者理解用户需求，从而优化APP功能和体验，提高用户满意度，文中提出一种基于用户行为分析的APP用户知识图谱构建方法。首先从用户行为分析出发，通过APP用户评论细化用户行为；接着，通过APP用户行为与用户关系属性的映射抽取用户关系属性；最后，基于关系抽取结果构建APP用户知识图谱。通过相关算法进行APP用户知识图谱的构建，结果证明了该算法的有效性，能够创建出信息更为丰富的APP用户知识图谱。     

基于知识图谱的人员关系构建

本文基于知识图谱通过节点定义、边关系处理以及规则集搭建来实现人员关系可视化,实现人员间显性和隐形关系的挖掘,为公共安全领域决策提供技术支撑。     

面向微博的多实体稀疏关系数据联合聚类

针对大规模微博中多实体间的稀疏关系数据,提出一种面向多实体稀疏关系数据的高效联合聚类算法。在算法中,为了充分利用多关系数据,提出了一种顽健的约束信息嵌入方法构建关系矩阵,降低了矩阵的稀疏性,进一步提高了算法的准确率。在稀疏约束的块坐标下降框架下,关系矩阵通过非负矩阵三分解算法同时获得不同实体的聚类指示矩阵。非负矩阵分解过程中,通过高效的投射算法实现快速求解,确保了聚类结果的稀疏结构。在人工和真实数据集上的实验表明,算法在3个指标上都具有明显提高,特别是在极端稀疏数据上的效果更加明显。     

基于流调数据的患者关系知识图谱构建

随着新冠感染患者数量的增多,产生了大量与之相关的流调数据.以流调数据为基础,通过分析患者间的语义关联特征可以在个体层面表达疾病的传播过程,深入探讨患者染病的特征分布、患者之间的传播路径等问题.基于此,研究以患者为中心并兼顾语义关联特征,借助知识图谱技术完成对患者流调数据的建模.首先在解析流调数据的基础上定义患者语义关系,据此设计患者关系图谱的模式层.然后,通过识别患者、地点实体,抽取“患者-关系-患者”及“患者-居住-地点”三元组等任务完成数据层构建.最后,利用Neo4j图数据库实现患者关系图谱的可视化并加以分析.结果表明,通过对超级传播源分析和传播路径追溯等层面进行验证,患者关系图谱可以挖掘患者的内在关联、有效整合患者语义关系,表达疾病在患者间的传播过程.