基于字词混合和GRU的科技文本知识抽取方法

知识抽取任务是从非结构化的文本数据抽取三元组关系（头实体-关系-尾实体）。现有知识抽取方法分为流水式方法和联合抽取方法。流水式方法将命名实体识别和实体知识抽取分别用各自的模块抽取，这种方式虽然有较好的灵活性，但训练速度较慢。联合抽取的学习模型是一种通过神经网络实现的端到端的模型，同时实现实体识别和知识抽取，能够很好地保留实体和关系之间的关联，将实体和关系的联合抽取转化为一个序列标注问题。基于此，本文提出了一种基于字词混合和门控制单元（Gated Recurrent Unit，GRU）的科技文本知识抽取（MBGAB）方法，结合注意力机制提取中文科技资源文本的关系；采用字词混合的向量映射方式，既在最大程度上避免边界切分出错，又有效融入语义信息；采用端到端的联合抽取模型，利用双向GRU网络，结合自注意力机制来有效捕获句子中的长距离语义信息，并且通过引入偏置权重来提高模型抽取效果。     

基于概念格的网站信息资源的知识抽取

针对当今搜索引擎检索网站信息资源存在的一些问题,为了从浩瀚的网站信息资源中抽取潜在的、有价值的知识,依据概念格的理论,文中提出了将网站信息资源 (主要是非结构化的Web文本) 与其特征之间的关系通过概念格结构描述出来的方法.利用构造出来的概念格能够有效地抽取隐含在网站信息资源中潜在的、有价值的知识.     

动态多值背景下的概念格在网络中的应用

针对搜索引擎检索网站信息存在的一些问题—信息资源相对丰富而知识比较匮乏,文中提出动态背景下的概念格,用于抽取网络信息资源中潜在的有价值的知识。基于web文本的信息特性是不断变化的,在处理过程中,先把动态多值背景转化为静态多值背景,然后在转化成单值背景。在利用概念格的hasse图抽取隐藏在网络信息资源中潜在的有价值的知识。     

辽代历史文化资源知识图谱构建研究

目前网络上关于辽代历史信息化智能查询服务系统资源相对缺乏,关于辽代历史介绍文本篇幅冗长,不方便大众进行阅读观看.为了便于大众能更加快速准确了解相关的辽代历史知识,基于百度百科、搜狗百科以及基于爬虫技术等形式获取了与辽代历史相关的文本数据,采用BiLSTM-CRF模型进行实体抽取,通过关系抽取模型抽取实体间的关系,通过知识融合等技术对得到的数据进行实体对齐以及本体构建.最终构建辽代历史文化领域知识图谱,并在此知识图谱的基础上开发了可视化查询系统.     

主要国家重点科技投入知识图谱的构建与应用研究

由于国家在一个时期内的科技投入的方向和强度最能反映出国家未来科技发展趋势,本研究提出构建基于科技投入和核心技术的政策要素知识图谱,意欲分析得出各国科技发展方向及趋势的情报,从而支撑科技发展布局与趋势研判.本研究总结了情报监测的科技政策文本中支撑情报分析的关键要素,提出了基于政策要素的知识图谱模型,探索了智能计算的政策分析方法.通过对美国、英国、法国、德国、日本和韩国近年科技投入的优先领域、技术、资助项目、资助强度等相关知识的信息抽取和内容分析,形成了基于领域的政策知识图谱,并利用两个实例演示了基于知识图谱的情报检索与分析效果.本技术对情报分析人员、决策人员审视宏观科技布局和前瞻科技发展方向有所帮助.     

文本信息抽取技术研究

提出一种基于案例分析的文本数据抽取方法,通过将知识进行特征化表示,借助"用户特征—案例特征—案例知识"三者之间的映射关系和概念模块间的知识关联,完成复杂信息的知识抽取,同时引入增量式案例知识学习模型,有效地避免了因人工干预导致的知识拓展的不连续性,提高了抽取过程的识别效率.     

基于EKEL的影评挖掘分析方法和系统

基于EKEL的影评挖掘分析方法是从影评文本中自动获取电影基本知识与评价知识的一种数据挖掘方法.同时该方法是一种结合文法与本体的知识抽取方法,把设计好的影评文法体系与EKEL系统结合,形成一个文本知识挖掘系统,可以有效且准确地抽取影视领域中的基本知识与评价知识.首先设计影评文法,研究设计方法及设计原则,同时结合EKEL系统,对获取到的影评文本语料进行挖掘并分析,产生EKEL分析树,然后对EKEL分析树进行深入分析及后处理.接着进行影评挖掘实验,分析精确率和召回率,并总结本文所研究知识抽取方法的有效性.最后,并对该方法的通用性进行了展望.     

一种基于Domain Ontology的Web文档抽取机制

以小学生数学学习障碍的问题领域为研究对象,通过领域本体的应用,从搜索到的文档中抽取重要句子形成摘要.利用领域本体能够描述特定知识领域内相关的概念和关系这种特性,提出了一个改进的以多个关键词来评判文档段落重要性的方法,用此方法的查询结果更符合学习者需要.     

领域知识图谱研究进展及其在水利领域的应用

首先总结现有领域知识图谱的研究现状。其次，介绍领域知识图谱的发展趋势。然后，梳理水利领域知识图谱的构建难点，提出包含知识表示、抽取、融合、推理和存储等关键模块的水利领域知识图谱研究框架，并简要概括上述各模块的研究内容。最后，指出领域知识图谱构建存在的表示形式单一、抽取样本稀少、多源知识冲突、规则表示困难和数据管理低效等问题，认为合理化表示、准确全面抽取、实时性融合、可解释推理和高性能存储是下一步水利知识图谱的研究方向。     

知识获取方法及实现技术

综述了知识获取研究的问题、步骤和途径,对知识获取技术进行了比较和分析.知识获取是对专门领域知识的求解,最高层次的知识获取方法是自动知识获取(机器学习).具有自学习功能的系统能够通过用户对求解结果的大量反馈信息自动修改和完善知识库,并能在问题求解过程中自动积累和形成各种有用的知识.机器学习正成为专家系统自动获取知识的强有力工具.