CN103176963B - 基于crf++汉语句义结构模型自动标注方法 - Google Patents
基于crf++汉语句义结构模型自动标注方法 Download PDFInfo
- Publication number
- CN103176963B CN103176963B CN201310074933.0A CN201310074933A CN103176963B CN 103176963 B CN103176963 B CN 103176963B CN 201310074933 A CN201310074933 A CN 201310074933A CN 103176963 B CN103176963 B CN 103176963B
- Authority
- CN
- China
- Prior art keywords
- word
- crf
- predicate
- sentence
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Machine Translation (AREA)
Abstract
本发明涉及一种基于CRF++的汉语句义结构模型自动标注方法,属于计算机科学与自然语言处理语义分析技术领域。本发明首先使用BFS-CTC汉语标注语料库语料,训练得到谓词识别模型、词关系识别模型和语义格类型识别模型;进而使用上述三种识别模型,对原始句子进行识别,得到句子中谓词信息、词关系信息和语义格类型信息;最终根据谓词、词关系和语义格类型的搭配规则得到汉语句义结构模型。本发明为语义分析领域,提供了更多的更全面的语义特征,为使用计算机对句子进行句义结构模型分析奠定了基础。同时为BFS-CTC汉语标注语料库的自动标注,提供了一定的可能,语料数据无论是研究还是实际应用,都是极其重要的,将对BFS-CTC汉语标注语料库的扩充,起到极大的推动作用。
Description
技术领域
本发明涉及一种基于CRF++的汉语句义结构模型自动标注方法,属于计算机科学与自然语言处理的语义分析技术领域。
背景技术
现代语言学理论将语言系统分为语音、语法、语义3个层次,在不考虑语音,并将词法(包括词形、词性)从语法中分离出来的前提下,对不同层次的分析在程度上是不一样的,从词法经过语法到语义的分析,是一个由浅入深的过程。对汉语语义的分析,目前都是通过建立语料资源,使用机器学习方法实现的,常用的语料资源有:
1.宾州大学汉语浅层语义标注库(Chinese Proposition Bank,CPB)
CPB是建立在句法标注语料库CTB(Chinese Tree Bank)基础之上,标注出部分句法成分相对于给定动词所具备的语义角色。
2.山西大学汉语框架语义知识库(Chinese FrameNet,CFN)
CFN是一个以Fillmore的框架语义学为理论基础、以加州大学伯克利分校的FrameNet为参照、以汉语真实语料为依据的汉语框架语义知识库。
3.清华大学句法语义标注库(Syntactically and Semantically AnnotatedCorpus,SSAC)
SSAC以清华大学的句法树库TCT和句法语义链接库SSL数据为基础,针对目标动词,在句法依存信息基础上形成完整的句法语义信息标注句子。
4.BFS-CTC汉语标注语料库(Beijing Forest Studio Chinese TaggedCorpus,BFS-CTC)
BFS-CTC是以贾颜德的汉语语义学为理论基础,构建汉语句义结构模型为语义分析理论,以新闻语料为原始句子库,包括原始句子库、词法库、句法库和句义库构成的人工标注汉语新闻语料库。
综上,根据语义学的相关理论,研究人员从不同角度构建了语义标注语料库,这些语料库在汉语的自然语言处理研究中起到了重要的作用,但只有BFS-CTC为深入到句义层次、以现代汉语语义学的句义结构理论为基础的句义结构标注语料库。为汉语句义结构分析提供所需的句义结构标注信息,包括句义类型、句义成分以及各成分之间的组合关系等。但是目前还没有方法,能够让计算机对原始句子进行汉语句义结构分析,还没有为语义分析应用提供有效的语言特征提取方法。
发明内容
本发明的目的是:为自然语言处理应用提供语义层次的语言特征,提出一种基于条件随机场(CRF++)的汉语句义结构模型自动标注方法。
本发明的设计原理为:针对汉语句子,分析得到句义结构模型:1.对原始句子首先进行分词,得到句子的分词结果,包括词语词序和词性;2.在得到分词结果的基础上进行谓词识别;3.在以上两步的基础上,进行词关系识别;4.在以上识别结果的基础上,进行语义格类型识别;5根据以上各步骤的识别结果,得到该句子的汉语句义结构模型。
本发明的技术方案是通过如下步骤实现的:
步骤1,为实现谓词识别,词关系识别以及语义格类型识别,需要先对语料进行训练得到相应模型,该模型用于识别。
步骤1.1,进行谓词识别的模型训练,具体方法为:针对CRF++训练数据的格式,首先将汉语标注语料转化为训练数据格式,前几列为分词信息(词性,词语等),最后一列为谓词标签。其次,设置参数f和c使用CRF++对上述数据进行训练,得到谓词识别模型。
上述谓词识别所选特征包括词语词性、词语在句子中词序、词语前一个词的词性、词语后一个词的词性、词语前前两个词的词性、词语后两个词的词性。
所述参数f表示训练模型的阈值,只有当训练语料中出现的特征大于f时,CRF++才会记录该特征到模型中;所述参数c表示训练模型的超参数,c值越大模型与训练语料拟合程度越高,c值越小模型与训练语料拟合度越低,泛化能力越强。
CRF++的训练数据格式具体说明:每个词为一行,每一列是该词的相关信息,具体列数可根据需要选择,最后一行为标签列,用于训练时的标签标识和识别后的结果标识,每个句子之间用空行隔开。
f和c的选取具体说明:使用参数选取方法,对数据进行多次训练,选取识别准确率最高的一组f和c,使用该参数对数据进行训练,得到识别模型。
步骤1.2,进行词关系识别的模型训练,具体方法为:针对CRF++训练数据的格式,首先将汉语标注语料转化为CRF++训练数据格式,前几列为分词信息(词性,词语等)、谓词信息等,最后一列为词关系标签。其次,使用步骤1.1中同样方法选择参数f和c,使用CRF++对上述数据进行训练,得到词关系识别模型。
上述词间关系识别所选特征包括词语及词性、前几个词的词性、后几个词的词性、词语是否为谓词。
步骤1.3,进行语义格类型识别的模型训练,具体方法为:针对CRF++训练数据的格式,首先将汉语标注语料转化为CRF++训练数据格式,前几列为分词信息(词性,词语等)、谓词信息等,最后一列为语义格类型标签。其次,使用步骤1.1中同样方法选择参数f和c,使用CRF++对上述数据进行训练,得到语义格类型识别模型。
上述语义格类型识别所选特征包括词语及词性、前几个词的词性、后几个词的词性、词语是否为谓词、前几个词语是否有谓词、后几个词语是否有谓词、词间关系。
步骤2,在步骤1得到相应识别模型的基础上,从原始句子到句义结构模型需要经过五个步骤。
步骤2.1,对未经任何处理的汉语句子进行分词,得到分词后结果,包括词序和词性,并将结果转化为CRF++识别数据格式。
所述的CRF++的识别数据的具体格式为:每个词为一行,每一列是输入数据信息,具体列数可根据需要选择,每个句子之间用空行隔开。
步骤2.2,以步骤1.1中的谓词识别模型和步骤2.1的CRF++识别数据格式的分词结果为输入,使用CRF++进行识别,得到谓词识别结果,即得到句子中的谓词。
步骤2.3,以步骤2.1、步骤2.2的识别结果和步骤1.2中的词关系识别模型为输入,使用CRF++进行识别,得到词关系识别结果。
步骤2.3中的词关系定义为:一个句子中只有一个谓词为主谓词,该谓词不存在关系词;除去不表达语义的词和主谓词,其他所有词之间都有关系;每个词B都有唯一一个词A与其有关系,即关系为B指向A,可同时有一个或多个词指向A。
步骤2.4,以步骤2.2、步骤2.3的识别结果和步骤1.3的语义格类型识别模型为输入,使用CRF++进行识别,该识别过程是一个20分类的过程,将每个词语分类成非语义格或19个语义格类型中的一种,得到语义格类型识别结果。
步骤3,根据步骤2的识别结果,按照规则得到该句的句义结构模型。
有益效果
为语义分析领域,提供了更多的更全面的语义特征,为使用计算机对句子进行句义结构模型分析奠定了基础。。
为BFS-CTC汉语标注语料库的自动标注,提供了一定的可能,语料数据无论是研究还是实际应用,都是极其重要的,将对BFS-CTC汉语标注语料库的扩充,起到极大的推动作用。
附图说明
图1为本发明的基于CRF++汉语句义结构模型自动标注方法原理图;
图2为本发明的自动标注方法识别流程图;
图3为本发明的自动标注方法识别数据流图;
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实施例对本发明方法的实施方式做进一步详细说明。
以BFS-CTC汉语标注语料库10000句人工标注语料为数据,采用十折交叉法进行测试。
步骤1,为实现谓词识别,词关系识别以及语义格类型识别,需要使用CRF++进行训练,得到模型,该模型用于识别。
步骤1.1,进行谓词识别的模型训练,具体方法为:针对CRF++训练数据的格式,首先将BFS-CTC汉语标注语料库的语料,转化为CRF++数据格式:第一列为词序编号,编号从1开始,每个词(包括标点)一个编号;第二列为汉字词;第三列为词性;最后一列为谓词标签“Predicate”和“_”,谓词为“Predicate”非谓词为“_”。其次,设置参数f=3和c=2使用CRF++对上述数据进行训练,得到谓词识别模型。
f和c的选取具体说明:使用参数选取方法,对数据进行多次训练,选取识别效果最优的一组f和c,使用该参数对数据进行训练,得到识别模型。
步骤1.2,进行词关系识别的模型训练,具体方法为:针对CRF++训练数据的格式,首先将BFS-CTC汉语标注语料库的语料,转化为CRF++数据格式:第一列为词序编号,编号从1开始,每个词(包括标点)一个编号;第二列为汉字词;第三列为词性;第四列为谓词标签“Predicate”和“_”,谓词为“Predicate”非谓词为“_”;最后一列为词关系标签,标签为跟本行词有关系的词的第一列词序。其次,使用步骤1.1中同样方法选择参数f=8和c=12,使用CRF++对上述数据进行训练,得到词关系识别模型。
步骤1.3,进行语义格类型识别的模型训练,具体方法为:针对CRF++训练数据的格式,首先将BFS-CTC汉语标注语料库的语料,转化为CRF++数据格式:第一列为词序编号,编号从1开始,每个词(包括标点)一个编号;第二列为汉字词;第三列为词性;第四列为谓词标签“Predicate”和“_”,谓词为“Predicate”非谓词为“_”;第五列为词关系标签,标签为跟本行词有关系的词的第一列词序;最后一列为语义格类型标签,12种一般格和7种基本格。其次,使用步骤1.1中同样方法选择参数f=1和c=1,使用CRF++对上述数据进行训练,得到语义格类型识别模型。
步骤2,在步骤1得到识别模型的基础上,从原始句子到句义结构模型需要经过五个步骤。
步骤2.1,对未经任何处理的汉语句子,使用ICTCLAS分词工具,按照北京大学词性标注规范进行分词,得到分词后结果,并将结果转化为CRF++识别数据格式:第一列为词序编号,编号从1开始,每个词(包括标点)一个编号;第二列为汉字词;第三列为词性。
CRF++的识别数据格式具体说明:每个词为一行,每一列是输入数据信息,具体列数可根据需要选择,最后一行为识别结果标签,每个句子之间用空行隔开。
步骤2.2,以步骤1.1中的谓词识别模型和步骤2.1的CRF++识别数据格式的分词结果为输入,所述CRF++数据格式为每个词语一行,句子之间用空行分开,仅有一列为分词信息,使用CRF++进行识别,得到谓词识别结果,所述谓词识别结果数据格式为在步骤2.1的数据格式上加入一列,第一列为分词信息,第二列表示谓词信息,把识别为谓词的词语标注“Predicate”非谓词词语标注“_”。
步骤2.3,以步骤2.2的识别结果和步骤1.2中的词关系识别模型为输入,使用CRF++进行识别,得到词关系识别结果,所述词关系识别结果数据格式为在步骤2.2的数据格式上加入一列,第一列为分词信息,第二列为谓词信息,第三列表示词间关系信息,用句子中词语的顺序表示词间的关系,例如“工人吃大碗。”,分词结果为“0^工人/n1^吃/v2^大碗/n3^。/w”,词语“吃”为句子中主谓词,第三列标注为“0”,词语“大碗”与“吃”之间存在关系,则在“大碗”所在行第三列标注为“1”,因为“吃”在句子中次序为1。
步骤2.4,以步骤2.3的识别结果和步骤1.3的语义格类型识别模型为输入,使用CRF++进行识别,得到语义语义格类型识别结果,所述语义格类型识别结果数据格式为在步骤2.3的数据格式上加入一列,第一列为分词信息,第二列为谓词信息,第三列为词间关系信息,第四列表示语义格类型信息,语义格类型包括7种基本格、12种一般格和非语义格。
步骤3,根据步骤2的识别结果,按照规则得到该句的句义结构模型。
采用准确率,召回率和F值对计算结果进行评价,定义识别正确个数为Xr,识别总个数为Xt,人工标注总个数为Xo,计算公式如下:
准确率(P):
召回率(R):
F值(F):
得到句义结构识别准确率为0.7392,召回率为0.7191,F1值为0.729。
Claims (7)
1.基于CRF++的汉语句义结构模型自动标注方法,所述方法包括以下步骤:
步骤1,使用CRF++进行训练,得到相应模型,用于实现谓词识别,词关系识别以及语义格类型识别;
步骤1.1,进行谓词识别的模型训练,具体方法为:针对CRF++训练数据的格式,首先将BFS-CTC汉语标注语料库的语料转化为CRF++训练数据格式,前几列为分词信息,最后一列为谓词标签;其次,设置参数f和c使用CRF++对上述数据进行训练,得到谓词识别模型;
CRF++训练数据格式具体说明:每个词为一行,每一列是该词的相关信息,具体列数可根据需要选择,最后一列为标签列,用于训练时的标签标识和识别后的结果标识,每个句子之间用空行隔开;
所述参数f表示训练模型的阈值,只有当训练语料中出现的特征大于f时,CRF++才会记录该特征到模型中;所述参数c表示训练模型的超参数,c值越大,模型与训练语料拟合程度越高,c值越小,模型与训练语料拟合度越低、泛化能力越强;
f和c的选取具体说明:使用参数选取方法,对数据进行多次训练,选取识别效果最优的一组f和c,使用该参数对数据进行训练,得到识别模型;
步骤1.2,进行词关系识别的模型训练,具体方法为:针对CRF++训练数据的格式,首先将BFS-CTC汉语标注语料库的语料转化为CRF++训练数据格式,前几列为分词信息、谓词信息,最后一列为词关系标签;其次,使用步骤1.1中同样方法选择参数f和c,使用CRF++对上述数据进行训练,得到词关系识别模型;
步骤1.3,进行语义格类型识别的模型训练,具体方法为:针对CRF++训练数据的格式,首先将BFS-CTC汉语标注语料库的语料转化为CRF++训练数据格式,前几列为分词信息、谓词信息,最后一列为语义格类型标签;其次,使用步骤1.1中同样方法选择参数f和c,使用CRF++对上述数据进行训练,得到语义格类型识别模型;
步骤2,在步骤1得到相应识别模型的基础上,从原始句子到句义结构模型需要经过五个步骤,即步骤2.1-步骤2.4和步骤3;
步骤2.1,对未经任何处理的汉语句子进行分词,得到分词后结果,并将结果转化为CRF++识别数据格式;
CRF++识别数据格式具体说明:每个词为一行,每一列是输入数据信息,具体列数可根据需要选择,每个句子之间用空行隔开;
步骤2.2,以步骤1.1中的谓词识别模型和步骤2.1数据格式的分词结果为输入,使用CRF++进行识别,得到谓词识别结果,即得到句子中的谓词;
步骤2.3,以步骤2.1、步骤2.2的识别结果和步骤1.2中的词关系识别模型为输入,使用CRF++进行识别,得到词关系识别结果;
步骤2.3中的词关系定义为:一个句子中只有一个谓词为主谓词,该谓词不存在关系词;除去不表达语义的词和主谓词,其他所有词之间都有关系;每个词B都有唯一一个词A与其有关系,即关系为B指向A,可同时有一个或多个词指向A;
步骤2.4,以步骤2.2、步骤2.3的识别结果和步骤1.3的语义格类型识别模型为输入,使用CRF++进行识别,得到语义格类型识别结果;
步骤3,根据步骤2的识别结果,按照规则得到该句的句义结构模型。
2.根据权利要求1所述的基于CRF++的汉语句义结构模型自动标注方法,其特征在于:步骤1.1中,谓词识别所选特征包括词语词性、词语在句子中词序、词语前一个词的词性、词语后一个词的词性、词语前两个词的词性、词语后两个词的词性。
3.根据权利要求1所述的基于CRF++的汉语句义结构模型自动标注方法,其特征在于:步骤1.2中,词间关系识别所选特征包括词语及词性、前几个词的词性、后几个词的词性、词语是否为谓词。
4.根据权利要求1所述的基于CRF++的汉语句义结构模型自动标注方法,其特征在于:步骤1.3中,语义格类型识别所选特征包括词语及词性、前几个词的词性、后几个词的词性、词语是否为谓词、前几个词语是否有谓词、后几个词语是否有谓词、词间关系。
5.根据权利要求1所述的基于CRF++的汉语句义结构模型自动标注方法,其特征在于:步骤2.3中,使用步骤2.2得到的句子谓词识别结果和分词结果为输入,输出句子中词关系。
6.根据权利要求1所述的基于CRF++的汉语句义结构模型自动标注方法,其特征在于:步骤2.4中,使用步骤2.2得到的句子谓词识别结果和步骤2.3得到的词关系识别结果为输入,输出句子中语义格类型。
7.根据权利要求1所述的基于CRF++的汉语句义结构模型自动标注方法,其特征在于:步骤3中,以句子分词结果、谓词识别结果、词关系识别结果和语义格类型识别结果为输入,使用规则方法得到汉语句义结构模型的转换方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310074933.0A CN103176963B (zh) | 2013-03-08 | 2013-03-08 | 基于crf++汉语句义结构模型自动标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310074933.0A CN103176963B (zh) | 2013-03-08 | 2013-03-08 | 基于crf++汉语句义结构模型自动标注方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103176963A CN103176963A (zh) | 2013-06-26 |
CN103176963B true CN103176963B (zh) | 2015-06-03 |
Family
ID=48636849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310074933.0A Expired - Fee Related CN103176963B (zh) | 2013-03-08 | 2013-03-08 | 基于crf++汉语句义结构模型自动标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103176963B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104392722B (zh) * | 2014-11-28 | 2018-11-09 | 电子科技大学 | 一种基于声音的生物种群识别方法及系统 |
US9875736B2 (en) * | 2015-02-19 | 2018-01-23 | Microsoft Technology Licensing, Llc | Pre-training and/or transfer learning for sequence taggers |
CN105045925A (zh) * | 2015-08-26 | 2015-11-11 | 苏州大学张家港工业技术研究院 | 一种基于crf模型的情绪原因事件识别方法及系统 |
CN105183807A (zh) * | 2015-08-26 | 2015-12-23 | 苏州大学张家港工业技术研究院 | 一种基于结构句法的情绪原因事件识别方法及系统 |
CN105653519A (zh) * | 2015-12-30 | 2016-06-08 | 贺惠新 | 一种领域专有词的挖掘方法 |
CN106933795A (zh) * | 2015-12-30 | 2017-07-07 | 贺惠新 | 一种论述型文章的论述主体的自动提取方法 |
CN105740238B (zh) * | 2016-03-04 | 2019-02-01 | 北京理工大学 | 一种融合句义信息的事件关系强度图构建方法 |
CN105573985A (zh) * | 2016-03-04 | 2016-05-11 | 北京理工大学 | 基于汉语句义结构模型和主题模型的句子表示方法 |
CN106778887B (zh) * | 2016-12-27 | 2020-05-19 | 瑞安市辉煌网络科技有限公司 | 基于条件随机场确定句子标记序列的终端及方法 |
CN107818079A (zh) * | 2017-09-05 | 2018-03-20 | 苏州大学 | 多粒度分词标注数据自动获取方法及系统 |
CN109992763A (zh) * | 2017-12-29 | 2019-07-09 | 北京京东尚科信息技术有限公司 | 语言标注处理方法、系统、电子设备及计算机可读介质 |
CN108491472A (zh) * | 2018-03-07 | 2018-09-04 | 新博卓畅技术(北京)有限公司 | 一种基于crf++分词构建医疗特征库的方法和系统 |
CN108595434B (zh) * | 2018-05-02 | 2021-11-02 | 武汉烽火普天信息技术有限公司 | 一种基于条件随机场和规则调整的句法依存方法 |
CN113095087B (zh) * | 2021-04-30 | 2022-11-25 | 哈尔滨理工大学 | 一种基于图卷积神经网络的中文词义消歧方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329666A (zh) * | 2008-06-18 | 2008-12-24 | 南京大学 | 基于语料库及树型结构模式匹配的汉语句法自动分析方法 |
CN101446942A (zh) * | 2008-12-10 | 2009-06-03 | 苏州大学 | 一种自然语言句子的语义角色标注方法 |
CN101510221B (zh) * | 2009-02-17 | 2012-05-30 | 北京大学 | 一种用于信息检索的查询语句分析方法与系统 |
CN101894102A (zh) * | 2010-07-16 | 2010-11-24 | 浙江工商大学 | 一种主观性文本情感倾向性分析方法和装置 |
CN101908042B (zh) * | 2010-08-09 | 2016-04-13 | 中国科学院自动化研究所 | 一种双语联合语义角色的标注方法 |
CN101937430B (zh) * | 2010-09-03 | 2015-04-15 | 清华大学 | 一种汉语句子中事件句式的抽取方法 |
CN102662931B (zh) * | 2012-04-13 | 2015-03-25 | 厦门大学 | 一种基于协同神经网络的语义角色标注方法 |
-
2013
- 2013-03-08 CN CN201310074933.0A patent/CN103176963B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103176963A (zh) | 2013-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103176963B (zh) | 基于crf++汉语句义结构模型自动标注方法 | |
CN107766324B (zh) | 一种基于深度神经网络的文本一致性分析方法 | |
CN107463607B (zh) | 结合词向量和自举学习的领域实体上下位关系获取与组织方法 | |
CN106875014B (zh) | 基于半监督学习的软件工程知识库的自动化构建实现方法 | |
CN102262634B (zh) | 一种自动问答方法及系统 | |
CN103440287B (zh) | 一种基于产品信息结构化的Web问答检索系统 | |
CN103984681B (zh) | 基于时序分布信息和主题模型的新闻事件演化分析方法 | |
CN109271506A (zh) | 一种基于深度学习的电力通信领域知识图谱问答系统的构建方法 | |
CN107220237A (zh) | 一种基于卷积神经网络的企业实体关系抽取的方法 | |
CN102750316B (zh) | 基于语义共现模型的概念关系标签抽取方法 | |
CN106844658A (zh) | 一种中文文本知识图谱自动构建方法及系统 | |
CN103324700B (zh) | 一种基于Web信息的本体概念属性学习方法 | |
CN105701253A (zh) | 中文自然语言问句语义化的知识库自动问答方法 | |
CN104809176A (zh) | 藏语实体关系抽取方法 | |
CN107885844A (zh) | 基于分类检索的自动问答方法及系统 | |
CN109635288A (zh) | 一种基于深度神经网络的简历抽取方法 | |
CN105844424A (zh) | 基于网络评论的产品质量问题发现及风险评估方法 | |
CN108509409A (zh) | 一种自动生成语义相近句子样本的方法 | |
CN106383835A (zh) | 一种基于形式语义推理和深度学习的自然语言知识挖掘系统 | |
CN104573006A (zh) | 一种公共卫生突发事件领域知识库的构建方法 | |
CN106897559A (zh) | 一种面向多数据源的症状体征类实体识别方法及装置 | |
CN107193798A (zh) | 一种基于规则的试题类自动问答系统中的试题理解方法 | |
CN108665141B (zh) | 一种从突发事件预案中自动抽取应急响应流程模型的方法 | |
CN105608232A (zh) | 一种基于图形数据库的bug知识建模方法 | |
CN101404036A (zh) | PowerPoint电子演示文稿的关键词抽取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150603 Termination date: 20160308 |
|
CF01 | Termination of patent right due to non-payment of annual fee |