融合生成式模型的知识增强实体链指方法

未链接实体分类是实体链指(Entity Linking, EL)任务中的重要研究内容之一。现有方法存在上下文语义信息不充分、分类准确率低等问题,导致实体链指任务表现不佳。本研究提出一种融合生成式模型的知识增强实体链指方法。该方法将实体链指分为两个子模块,即候选实体排序模块和未链接实体分类模块。本研究基于高精度的候选实体排序模块,获得高质量的知识扩展信息,并对未链接实体分类任务进行知识增强;针对未链指实体提及的分类问题,提出一套生成式框架,该框架能够取得超过基线模型的性能。本研究方法在2020年全国知识图谱与语义计算大会(CCKS2020)评测任务二的中文短文本实体链指数据集上取得了目前最佳性能(整体F值为91.76%),证明知识增强和生成式框架的引入能提高模型的泛化能力,缓解未链接实体分类中的信息不充分问题。     

钢铁企业出厂在途物流管理系统分析与研究

提出了一种基于VPN连接和J2EE技术架构的钢铁企业出厂在途物流管理解决方案.用于实现钢铁企业、港口码头及客户间物流信息的有效控制,强化钢铁企业对出厂物流信息全过程管理与监控,提高钢铁企业物流管理水平,挖掘企业第三利润源泉.     

数字普惠金融支持实体经济发展的影响研究

为探究数字普惠金融能否真正有效地支持实体经济发展,根据2015—2019年北京大学数字普惠金融发展指数与中国31个省(自治区、直辖市)的相关经济数据,首先运用空间误差模型分析数字普惠金融对地区实体经济发展的影响机理,然后使用面板门槛模型检验二者存在的非线性效应。结果表明：数字普惠金融可有效提升地区实体经济的高质量发展,且本地区的发展易受周边地区影响,但当前不存在对周边地区的空间溢出效应;数字普惠金融与实体经济发展之间非线性关系显著,表现为明显的单门槛特征,当数字普惠金融发展水平跨过216.12后,实体经济会伴随其发展得到显著提升且作用明显。本研究结果为数字普惠金融支持实体经济发展提供实证依据,并为完善数字普惠金融实践,推动实体经济高质量发展提供可行性建议。     

基于新型基础测绘的无居民海岛地形图采集应用研究

新型基础测绘是传统基础测绘的继承和发展,构建新型基础测绘体系是面向自然资源管理,面对产业发展新形势,适应供给侧改革新要求,增强测绘地理信息服务能力的具体举措,是国家明确提出的一项重要工作。该文基于广州市南沙区无居民海岛1∶500地形图测绘的需求,采用基于实景三维模型等地理场景的地理实体采集方案,获取无居民海岛的基础地理实体,通过派生的方式按需组装1∶500地形图,通过调绘的方式完善其属性信息,最终完成南沙区无居民海岛的地形图数据全覆盖。     

面向电子书画创作的虚拟毛笔模型

如何设计一个与用户友好交互、实时响应, 并且具有丰富艺术表现力的基于虚拟画笔的绘图环境是计算机图形学和计算机人机交互领域长期以来研究的热点与难点问题 . 提供对艺术作品电子化创作的软件环境的支持不仅富有理论研究价值, 而且有着广阔的市场应用前景, 同时对信息时代中国传统艺术的创新与电子化变革有着重要的意义. 文中提出了面向书画创作的基于实体造型技术的虚拟毛笔的模型以及利用它进行交互式电子书画创作的计算模拟框架. 根据上述模拟框架, 并研发了一个面向交互式电子书画创作的虚拟毛笔原型系统. 实验结果表明, 用户可以利用虚拟毛笔创作出艺术表现力非常丰富的电子书画作品. http://www.cs.hku.hk/~songhua/e-brush/提供了有关这一研究课题最新进展的资料.     

基于元路径异构网络嵌入的姓名实体消歧方法

为了解决大型学术数据库中重名作者的歧义消解问题,提出了基于元路径异构网络嵌入的姓名实体消歧模型。使用大型在线学术搜索系统DBLP上的公开数据集,首先抽取学术出版物的作者信息、标题和会议期刊名称等特征属性,再利用word2vec模型工具生成的特征属性词嵌入输入到GRU网络中进行训练,构造出一个PHNet矩阵网络进行随机游走操作,从而捕捉不同类型节点之间的关系,最后进行相似节点的划分,完成姓名消歧工作。实验结果显示,新方法的精确度为0.865,召回率为0.792,F_1值为0.815。基于元路径的异构网络嵌入模型的精确度、召回率等指标都优于对比模型。因此,所提出的模型在提高大型学术数据库的消歧精准度方面具有良好的应用前景。     

基于BERT-IDCNN-CRF的中文命名实体识别方法

预训练语言模型能够表达句子丰富的句法和语法信息,并且能够对词的多义性建模,在自然语言处理中有着广泛的应用,BERT(bidirectional encoder representations from transformers)预训练语言模型是其中之一。在基于BERT微调的命名实体识别方法中,存在的问题是训练参数过多,训练时间过长。针对这个问题提出了基于BERT-IDCNN-CRF(BERT-iterated dilated convolutional neural network-conditional random field)的中文命名实体识别方法,该方法通过BERT预训练语言模型得到字的上下文表示,再将字向量序列输入IDCNN-CRF模型中进行训练,训练过程中保持BERT参数不变,只训练IDCNN-CRF部分,在保持多义性的同时减少了训练参数。实验表明,该模型在MSRA语料上F1值能够达到94.41%,在中文命名实体任务上优于目前最好的Lattice-LSTM模型,提高了1.23%;与基于BERT微调的方法相比,该方法的F1值略低但是训练时间大幅度缩短。将该模型应用于信息安全、电网电磁环境舆情等领域的敏感实体识别,速度更快,响应更及时。     

大数据时代的车牌汉字识别

在大数据时代, 交通信息成为网络数据量最大的数据来源之一, 智能交通成为必然需求. 车牌识别是智能交通的基础, 可广泛应用于车库管理、交通监控等工程中, 然而识别的准确率还有待加强, 已有算法对于字母、数字的识别准确率都非常高, 而对于中国特有的汉字识别却效果不佳. 提出用受限玻尔兹曼机组成的深信度网络算法来识别车牌字符, 大大提升了汉字识别的准确率, 使准确率达到99.44%.