CN109783641A - 一种基于双向-gru和改进的注意力机制的实体关系分类方法 - Google Patents

一种基于双向-gru和改进的注意力机制的实体关系分类方法 Download PDF

Info

Publication number
CN109783641A
CN109783641A CN201910017397.8A CN201910017397A CN109783641A CN 109783641 A CN109783641 A CN 109783641A CN 201910017397 A CN201910017397 A CN 201910017397A CN 109783641 A CN109783641 A CN 109783641A
Authority
CN
China
Prior art keywords
entity
sentence
vector
essential characteristic
attention mechanism
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.)
Pending
Application number
CN201910017397.8A
Other languages
English (en)
Inventor
黄晓
朱明�
滕蔚
保延翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN201910017397.8A priority Critical patent/CN109783641A/zh
Publication of CN109783641A publication Critical patent/CN109783641A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能领域,更具体的,涉及一种基于双向‑GRU和改进的注意力机制的实体关系分类方法,本发明将中文语料转化为词嵌入向量进行处理,而不是传统的one‑hot向量,能够较好的解决中文语料带来的高维度问题,并且利用自行构建的常用实体集合,来有针对性的改进注意力机制,将同义词和近义词进行替换,更好地解决同义词和近义词分类时带来的准确率低的问题,同时引入了双向‑GRU模型,更好的学习实体上下的语境,能够对逻辑严谨的教材语料进行实体关系分类。

Description

一种基于双向-GRU和改进的注意力机制的实体关系分类方法
技术领域
本发明涉及人工智能领域,更具体的,涉及一种基于双向-GRU和改进的注意力机制的实体关系分类方法。
背景技术
随着互联网信息爆炸时代的到来,网路信息量高速增长,目前在海量的网络信息中抽取关系实体已经有了长足的进步。开放领域实体关系抽取式在1998年的MUC会议上首次提出,实体关系抽取方法按抽取方式主要分为非自动抽取、半自动抽取和自动抽取,共3种抽取方式。非自动抽取方式,主要是基于纯人工的方式,进行实体及实体关系的分类工作,该方式优点是准确率高,但人工的参与人本过高。半自动抽取的方式,近年来发展迅猛,结合人工和机器共同完成实体关系抽任务,既能极大的减轻人的工作量,也能更好地发挥机器的优势。2008年在ACE评测中,采用了基于知识库的抽取方法,但该方法依赖于知识库的质量和规模。此后,基于统计的汲取学习方法开始应用到自然语料的实体关系抽取领域,其中有少量标注语料的半监督机器学习方法,甚至是无监督学习方法。Zhang等人提出将中文实体关系抽取看为一系列的分类问题,整个过程分为两个阶段:第一阶段是学习过程,用标注数据训练若干分类器;第二阶段是抽取过程,通过使用机器学习得到的分类器抽取中文实体名和它们的关系。基于SVM的弱监督关系分类系统应用SVM算法进行关系抽取,弱监督学习过程包括两个组件:一个底层有监督学习器和一个在其上的Bootstrapping算法。机器学习分类算法的介入,使得实体关系抽取变得相对轻松,但简单将实体关系抽取应用为一系列的分类问题,带来的分类准确率相对较低。
神经网络的学习方法应用至关系抽取领域,也是近年来准确率提升的一大贡献者,而多层次的神经网络可以更好的学习语料,得到更佳的分类准确率。Li将Bi-LSTM和注意力机制应用在电子病历的实体关系抽取任务,取得了较为满意的结果。然而Bi-LSTM结构相对于Bi-GRU结构复杂,且收敛速度较慢;原始的注意力机制针对我们这个限定大学教材语料会带来很低的准确率,不能够很好的适用我们限定领域的处理。
发明内容
为了解决现有技术的不足,本发明提供了一种基于双向-GRU和改进的注意力机制的实体关系分类方法,本发明将中文语料转化为词嵌入向量进行处理,而不是传统的one-hot向量,能够较好的解决中文语料带来的高维度问题;并且利用自行构建的常用实体集合,来有针对性的改进注意力机制,将同义词和近义词进行替换,更好地解决同义词和近义词分类时带来的准确率低的问题。
为实现以上发明目的,采用的技术方案是:
一种基于双向-GRU和改进的注意力机制的实体关系分类方法,包括以下步骤:
步骤S1:对给定的语料构建实体库词的集合;
步骤S2:对给定的语料,结合位置特征,获得输入基本特征的向量;输入基本特征向量包括正序和逆序;
步骤S3:输入基本特征向量的正序,利用前向层的GRU神经网络,得到前向的特征向量;其中,GRU神经网络包含更新门zt和重置门rt,其具体如下:
rft=α(Wr·[hft-1,xft])(1)
zft=α(Wz·[hft-1,xft])(2)
其中,xft为基本特征向量的正序,rft为输入为基本特征向量的正序时的重置门,zft为输入为基本特征向量的正序时的更新门,α是激活函数;hft-1代表t-1时刻的隐藏状态,Wr和Wz表示参数矩阵,表示未更新时t时刻的隐藏层状态,hft表示更新时t时刻的隐藏层状态;
步骤S4:输入基本特征向量的逆序,利用后向层的GRU网络,得到逆向的特征向量,具体步骤如下:
rbt=α(Wr·[hbt-1,xbt]) (4)
zbt=α(Wz·[hbt-1,xbt]) (5)
其中,xbt为基本特征向量的逆序,rbt为输入为基本特征向量的逆序时的重置门,zbt为输入是基本特征向量的逆序时的更新门,α是激活函数;hbt-1代表t-1时刻的隐藏状态,Wr和Wz表示参数矩阵,表示未更新时t时刻的隐藏层状态,hbt表示更新时t时刻的隐藏层状态;
步骤S5:将步骤S3得到的前向特征向量和步骤S4得到的逆向的特征向量进行叠加结合,得到文本特征向量;
具体步骤如下:
其中,为双向-GRU网络的隐藏层状态;
步骤S6:结合步骤S5得到的文本特征向量以及步骤S1中构建好的实体库词的集合,利用基于改进过的词级别的注意力机制来捕获表示实体关系的内容:
m=tanh(CT) (10)
其中ct表示注意力机制层的输出,αtT表示注意力机制的权重值,ht表示t时刻隐藏层的状态,即步骤S5中得到的文本特征向量,st表示的是t时刻的记忆状态,η是激活函数,m是softmax的中间状态,yt是全连接层的输出,Wo是参数矩阵;
则注意力机制层的网络输出为
yt=α(Wo·m) (11)
步骤S7:利用步骤S6的输出来判断实体对应所属关系的类型,得到最终的结果,具体步骤如下:
其中ct表示注意力机制层的输出,M表示隐藏层状态的输出,st表示的是t时刻的记忆状态,mk是记忆的状态值。
优选的,步骤S1中具体步骤如下:
将给定材料中的文本文字进行分段和分句,得到未经过初步处理的原始语句,删除不符合处理需求的语句,对句子中的实体对进行手工的打标操作,标记出实体在句中的位置,在得到的打标好的语料库中,将每个句子语料标注出句子中的实体对所对应的实体关系类别。
优选的,步骤S2具体包括以下步骤:
输入基本特征的向量由输入语句本身S、句中的实体对的相对距离EE以及句中实体相对于句中的位置SE三个向量构成;
输入语句本身S表征出整个句子;句中的实体对的相对距离EE表征出实体对之间的相对位置特征,即实体对之间的距离特征;句中实体相对于句中的位置SE表征出实体1和实体2在句中的位置特征,即实体1和实体2在句子中出现的位置;
输入基本特征的向量的表示方式为,将三者进行叠加,得到X=[S,EE,SE],将组合得到的向量输入到模型中进行训练。
优选的,所述的输入语句本身S、句中的实体对的相对距离EE以及句中实体相对于句中的位置SE三个向量的求取方法如下:
输入语句本身s:对于给定的中文语料句子,利用分词工具,将句子分解成由多个词汇组合在一起,将其中对于分类没有意义的词汇去除,给定的句子s={s1,s2,....,sn},将每个句子转换成可以输入到神经网络中处理的低维度的句子级的向量S;
句中的实体对的相对距离EE:用列向量来表征每个实体对之间的相对距离,其向量EE是用One-hot表示方法来表示,表征出实体对之间的距离特征;
句中实体相对于句子的位置SE:记录实体1和实体2的位置,实体的位置具体为指代实体词在语料句子中的位置,并将这个位置特征作为一个前期输入的特征。
与现有技术相比,本发明的有益效果是:
本发明将中文语料转化为词嵌入向量进行处理,而不是传统的one-hot向量,能够较好的解决中文语料带来的高维度问题,并且利用自行构建的常用实体集合,来有针对性的改进注意力机制,将同义词和近义词进行替换,更好的解决同义词和近义词分类时带来的准确率低的问题,同时引入了双向-GRU模型,更好的学习实体上下的语境,能够对逻辑严谨的教材语料进行实体关系分类。
附图说明
图1为本发明的流程图。
图2为GRU结构图。
图3为双向-GRU局部图。
图4为局部语料展示图。
图5为部分分类结果图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1、图2、图3、图4、以及图5所示,一种基于双向-GRU和改进的注意力机制的实体关系分类方法,包括以下步骤:
一种基于双向-GRU和改进的注意力机制的实体关系分类方法,包括以下步骤:
步骤S1:对给定的语料构建实体库词的集合;
步骤S2:对给定的语料,结合位置特征,获得输入基本特征的向量;输入基本特征向量包括正序和逆序;
步骤S3:输入基本特征向量的正序,利用前向层的GRU神经网络,得到前向的特征向量;其中,GRU神经网络包含更新门zt和重置门rt,其具体如下:
rft=α(Wr·[hft-1,xft]) (1)
zft=α(Wz·[hft-1,xft]) (2)
其中,xft为基本特征向量的正序,rft为输入为基本特征向量的正序时的重置门,zft为输入为基本特征向量的正序时的更新门,α是激活函数;hft-1代表t-1时刻的隐藏状态,Wr和Wz表示参数矩阵,表示未更新时t时刻的隐藏层状态,hft表示更新时t时刻的隐藏层状态;
步骤S4:输入基本特征向量的逆序,利用后向层的GRU网络,得到逆向的特征向量,具体步骤如下:
rbt=α(Wr·[hbt-1,xbt]) (4)
zbt=α(Wz·[hbt-1,xbt]) (5)
其中,xbt为基本特征向量的逆序,rbt为输入为基本特征向量的逆序时的重置门,zbt为输入是基本特征向量的逆序时的更新门,α是激活函数;hbt-1代表t-1时刻的隐藏状态,Wr和Wz表示参数矩阵,表示未更新时t时刻的隐藏层状态,hbt表示更新时t时刻的隐藏层状态;
步骤S5:将步骤S3得到的前向特征向量和步骤S4得到的逆向的特征向量进行叠加结合,得到文本特征向量;
具体步骤如下:
其中,为双向-GRU网络的隐藏层状态;
步骤S6:结合步骤S5得到的文本特征向量以及步骤S1中构建好的实体库词的集合,利用基于改进过的词级别的注意力机制来捕获表示实体关系的内容:
m=tanh(CT) (10)
其中ct表示注意力机制层的输出,αtT表示注意力机制的权重值,ht表示t时刻隐藏层的状态,即步骤S5中得到的文本特征向量,st表示的是t时刻的记忆状态,η是激活函数,m是softmax的中间状态,yt是全连接层的输出,Wo是参数矩阵;
则注意力机制层的网络输出为
yt=α(Wo·m) (11)
步骤S7:利用步骤S6的输出来判断实体对应所属关系的类型,得到最终的结果,具体步骤如下:
其中ct表示注意力机制层的输出,M表示隐藏层状态的输出,st表示的是t时刻的记忆状态,mk是记忆的状态值。
作为一个优选的实施例,步骤S1中具体步骤如下:
将给定材料中的文本文字进行分段和分句,得到未经过初步处理的原始语句,删除不符合处理需求的语句,对句子中的实体对进行手工的打标操作,标记出实体在句中的位置,在得到的打标好的语料库中,将每个句子语料标注出句子中的实体对所对应的实体关系类别。
作为一个优选的实施例,步骤S2具体包括以下步骤:
输入基本特征的向量由输入语句本身S、句中的实体对的相对距离EE以及句中实体相对于句中的位置SE三个向量构成;
输入语句本身S表征出整个句子;句中的实体对的相对距离EE表征出实体对之间的相对位置特征,即实体对之间的距离特征;句中实体相对于句中的位置SE表征出实体1和实体2在句中的位置特征,即实体1和实体2在句子中出现的位置;
输入基本特征的向量的表示方式为,将三者进行叠加,得到X=[S,EE,SE],将组合得到的向量输入到模型中进行训练。
作为一个优选的实施例,所述的输入语句本身S、句中的实体对的相对距离EE以及句中实体相对于句中的位置SE三个向量的求取方法如下:
输入语句本身s:对于给定的中文语料句子,利用分词工具,将句子分解成由多个词汇组合在一起,将其中对于分类没有意义的词汇去除,给定的句子s={s1,s2,....,sn},将每个句子转换成可以输入到神经网络中处理的低维度的句子级的向量S;
句中的实体对的相对距离EE:用列向量来表征每个实体对之间的相对距离,其向量EE是用One-hot表示方法来表示,表征出实体对之间的距离特征;
句中实体相对于句子的位置SE:记录实体1和实体2的位置,实体的位置具体为指代实体词在语料句子中的位置,并将这个位置特征作为一个前期输入的特征。
如图4所示的是构建的大学本科期间电子类专业的教材文本的语料库,第一列是实体1和实体2之间的关系属性,而句中的实体1和实体2则用<e1>、</e1>和<e2>、</e2>的标签进行实体标注。利用该语料的绝大部分进行模型训练,剩余部分进行模型测试,得到实体关系分类的准确率为82.14%。图5所示的为测试时得到的实体关系的分类结果,首列为后实体句子分类预测的实体关系。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于双向-GRU和改进的注意力机制的实体关系分类方法,其特征在于,包括以下步骤:
步骤S1:对给定的语料构建实体库词的集合;
步骤S2:对给定的语料,结合位置特征,获得输入基本特征的向量;输入基本特征向量包括正序和逆序;
步骤S3:输入基本特征向量的正序,利用前向层的GRU神经网络,得到前向的特征向量;其中,GRU神经网络包含更新门zt和重置门rt,其具体如下:
rft=α(Wr·[hft-1,xft]) (1)
zft=α(Wz·[hft-1,xft]) (2)
其中,xft为基本特征向量的正序,rft为输入为基本特征向量的正序时的重置门,zft为输入为基本特征向量的正序时的更新门,α是激活函数;hft-1代表t-1时刻的隐藏状态,Wr和Wz表示参数矩阵,表示未更新时t时刻的隐藏层状态,hft表示更新时t时刻的隐藏层状态;
步骤S4:输入基本特征向量的逆序,利用后向层的GRU网络,得到逆向的特征向量,具体步骤如下:
rbt=α(Wr·[hbt-1,xbt]) (4)
zbt=α(Wz·[hbt-1,xbt]) (5)
其中,xbt为基本特征向量的逆序,rbt为输入为基本特征向量的逆序时的重置门,zbt为输入是基本特征向量的逆序时的更新门,α是激活函数;hbt-1代表t-1时刻的隐藏状态,Wr和Wz表示参数矩阵,表示未更新时t时刻的隐藏层状态,hbt表示更新时t时刻的隐藏层状态;
步骤S5:将步骤S3得到的前向特征向量和步骤S4得到的逆向的特征向量进行叠加结合,得到文本特征向量;
具体步骤如下:
其中,为双向-GRU网络的隐藏层状态;
步骤S6:结合步骤S5得到的文本特征向量以及步骤S1中构建好的实体库词的集合,利用基于改进过的词级别的注意力机制来捕获表示实体关系的内容:
m=tanh(CT) (10)
其中ct表示注意力机制层的输出,αtT表示注意力机制的权重值,ht表示t时刻隐藏层的状态,即步骤S5中得到的文本特征向量,st表示的是t时刻的记忆状态,η是激活函数,m是softmax的中间状态,yt是全连接层的输出,Wo是参数矩阵;
则注意力机制层的网络输出为
yt=α(Wo·m) (11)
步骤S7:利用步骤S6的输出来判断实体对应所属关系的类型,得到最终的结果,具体步骤如下:
其中ct表示注意力机制层的输出,M表示隐藏层状态的输出,st表示的是t时刻的记忆状态,mk是记忆的状态值。
2.根据权利要求1所述的一种基于双向-GRU和改进的注意力机制的实体关系分类方法,其特征在于,步骤S1中具体步骤如下:
将给定材料中的文本文字进行分段和分句,得到未经过初步处理的原始语句,删除不符合处理需求的语句,对句子中的实体对进行手工的打标操作,标记出实体在句中的位置,在得到的打标好的语料库中,将每个句子语料标注出句子中的实体对所对应的实体关系类别。
3.根据权利要求1所述的一种基于双向-GRU和改进的注意力机制的实体关系分类方法,其特征在于,步骤S2具体包括以下步骤:
输入基本特征的向量由输入语句本身S、句中的实体对的相对距离EE以及句中实体相对于句中的位置SE三个向量构成;
输入语句本身S表征出整个句子;句中的实体对的相对距离EE表征出实体对之间的相对位置特征,即实体对之间的距离特征;句中实体相对于句中的位置SE表征出实体1和实体2在句中的位置特征,即实体1和实体2在句子中出现的位置;
输入基本特征的向量的表示方式为,将三者进行叠加,得到X=[S,EE,SE],将组合得到的向量输入到模型中进行训练。
4.根据权利要求3所述的一种基于双向-GRU和改进的注意力机制的实体关系分类方法,其特征在于,所述的输入语句本身S、句中的实体对的相对距离EE以及句中实体相对于句中的位置SE三个向量的求取方法如下:
输入语句本身s:对于给定的中文语料句子,利用分词工具,将句子分解成由多个词汇组合在一起,将其中对于分类没有意义的词汇去除,给定的句子s={s1,s2,....,sn},将每个句子转换成可以输入到神经网络中处理的低维度的句子级的向量S;
句中的实体对的相对距离EE:用列向量来表征每个实体对之间的相对距离,其向量EE是用One-hot表示方法来表示,表征出实体对之间的距离特征;
句中实体相对于句子的位置SE:记录实体1和实体2的位置,实体的位置具体为指代实体词在语料句子中的位置,并将这个位置特征作为一个前期输入的特征。
CN201910017397.8A 2019-01-08 2019-01-08 一种基于双向-gru和改进的注意力机制的实体关系分类方法 Pending CN109783641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910017397.8A CN109783641A (zh) 2019-01-08 2019-01-08 一种基于双向-gru和改进的注意力机制的实体关系分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910017397.8A CN109783641A (zh) 2019-01-08 2019-01-08 一种基于双向-gru和改进的注意力机制的实体关系分类方法

Publications (1)

Publication Number Publication Date
CN109783641A true CN109783641A (zh) 2019-05-21

Family

ID=66500225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910017397.8A Pending CN109783641A (zh) 2019-01-08 2019-01-08 一种基于双向-gru和改进的注意力机制的实体关系分类方法

Country Status (1)

Country Link
CN (1) CN109783641A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110196978A (zh) * 2019-06-04 2019-09-03 重庆大学 一种关注关联词的实体关系抽取方法
CN110297889A (zh) * 2019-06-28 2019-10-01 南京冰鉴信息科技有限公司 一种基于特征融合的企业情感倾向分析方法
CN110335160A (zh) * 2019-07-04 2019-10-15 山东大学 一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法及系统
CN110580340A (zh) * 2019-08-29 2019-12-17 桂林电子科技大学 一种基于多注意力机制的神经网络关系抽取方法
CN110598005A (zh) * 2019-09-06 2019-12-20 中科院合肥技术创新工程院 一种面向公共安全事件的多源异构数据知识图谱构建方法
CN110688486A (zh) * 2019-09-26 2020-01-14 北京明略软件系统有限公司 一种关系分类的方法和模型
CN111274794A (zh) * 2020-01-19 2020-06-12 浙江大学 一种基于传递的同义词扩展方法
CN112487211A (zh) * 2020-12-15 2021-03-12 交控科技股份有限公司 一种轨道交通知识库构建方法及系统
WO2021057424A1 (zh) * 2019-09-23 2021-04-01 腾讯科技(深圳)有限公司 基于文本的虚拟形象行为控制方法、设备和介质
CN112766603A (zh) * 2021-02-01 2021-05-07 湖南大学 一种交通流量预测方法、系统、计算机设备及存储介质
CN113742452A (zh) * 2021-09-08 2021-12-03 平安科技(深圳)有限公司 基于文本分类的舆情监测方法、装置、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463609A (zh) * 2017-06-27 2017-12-12 浙江大学 一种使用分层时空注意力编解码器网络机制解决视频问答的方法
CN108399158A (zh) * 2018-02-05 2018-08-14 华南理工大学 基于依存树和注意力机制的属性情感分类方法
CN108846017A (zh) * 2018-05-07 2018-11-20 国家计算机网络与信息安全管理中心 基于Bi-GRU和字向量的大规模新闻文本的端到端分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463609A (zh) * 2017-06-27 2017-12-12 浙江大学 一种使用分层时空注意力编解码器网络机制解决视频问答的方法
CN108399158A (zh) * 2018-02-05 2018-08-14 华南理工大学 基于依存树和注意力机制的属性情感分类方法
CN108846017A (zh) * 2018-05-07 2018-11-20 国家计算机网络与信息安全管理中心 基于Bi-GRU和字向量的大规模新闻文本的端到端分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAOJIAN ZENG,ET AL: ""Relation classification via convolutional deep neural network"", 《PROCEEDINGS OF COLING 2014, THE 25TH INTERNATIONAL COMPUTATIONAL LINGUISTICS:TECHNICAL PAPERS》 *
王治权: ""基于注意力机制和改进型RNN的Web文本情感分析研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110196978A (zh) * 2019-06-04 2019-09-03 重庆大学 一种关注关联词的实体关系抽取方法
CN110297889A (zh) * 2019-06-28 2019-10-01 南京冰鉴信息科技有限公司 一种基于特征融合的企业情感倾向分析方法
CN110297889B (zh) * 2019-06-28 2020-10-23 南京冰鉴信息科技有限公司 一种基于特征融合的企业情感倾向分析方法
CN110335160B (zh) * 2019-07-04 2020-04-21 山东大学 一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法及系统
CN110335160A (zh) * 2019-07-04 2019-10-15 山东大学 一种基于分组和注意力改进Bi-GRU的就医迁移行为预测方法及系统
CN110580340A (zh) * 2019-08-29 2019-12-17 桂林电子科技大学 一种基于多注意力机制的神经网络关系抽取方法
CN110598005A (zh) * 2019-09-06 2019-12-20 中科院合肥技术创新工程院 一种面向公共安全事件的多源异构数据知识图谱构建方法
CN110598005B (zh) * 2019-09-06 2022-08-16 中科院合肥技术创新工程院 一种面向公共安全事件的多源异构数据知识图谱构建方法
WO2021057424A1 (zh) * 2019-09-23 2021-04-01 腾讯科技(深圳)有限公司 基于文本的虚拟形象行为控制方法、设备和介质
US11714879B2 (en) 2019-09-23 2023-08-01 Tencent Technology (Shenzhen) Company Limited Method and device for behavior control of virtual image based on text, and medium
CN110688486A (zh) * 2019-09-26 2020-01-14 北京明略软件系统有限公司 一种关系分类的方法和模型
CN111274794A (zh) * 2020-01-19 2020-06-12 浙江大学 一种基于传递的同义词扩展方法
CN111274794B (zh) * 2020-01-19 2022-03-18 浙江大学 一种基于传递的同义词扩展方法
CN112487211A (zh) * 2020-12-15 2021-03-12 交控科技股份有限公司 一种轨道交通知识库构建方法及系统
CN112487211B (zh) * 2020-12-15 2024-04-26 交控科技股份有限公司 一种轨道交通知识库构建方法及系统
CN112766603A (zh) * 2021-02-01 2021-05-07 湖南大学 一种交通流量预测方法、系统、计算机设备及存储介质
CN113742452A (zh) * 2021-09-08 2021-12-03 平安科技(深圳)有限公司 基于文本分类的舆情监测方法、装置、设备及介质
CN113742452B (zh) * 2021-09-08 2023-07-18 平安科技(深圳)有限公司 基于文本分类的舆情监测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109783641A (zh) 一种基于双向-gru和改进的注意力机制的实体关系分类方法
CN110502749B (zh) 一种基于双层注意力机制与双向gru的文本关系抽取方法
CN108536754A (zh) 基于blstm和注意力机制的电子病历实体关系抽取方法
CN109992780B (zh) 一种基于深度神经网络特定目标情感分类方法
CN111177374A (zh) 一种基于主动学习的问答语料情感分类方法及系统
CN107967318A (zh) 一种采用lstm神经网络的中文短文本主观题自动评分方法和系统
CN110083710A (zh) 一种基于循环神经网络与潜变量结构的词语定义生成方法
CN110069778A (zh) 中文融入嵌入词位置感知的商品情感分析方法
CN110851599A (zh) 一种中文作文自动评分方法及教辅系统
CN109190126A (zh) 词嵌入模型的训练方法及装置
CN110866121A (zh) 一种面向电力领域知识图谱构建方法
CN110807069B (zh) 一种基于强化学习算法的实体关系联合抽取模型构建方法
CN108647191A (zh) 一种基于有监督情感文本和词向量的情感词典构建方法
CN111144410B (zh) 一种跨模态的图像语义提取方法、系统、设备及介质
CN108563725A (zh) 一种中文症状体征构成识别方法
CN110991190A (zh) 文档主题增强的自注意力网络、文本情绪预测系统和方法
CN114998220A (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN110276396A (zh) 基于物体显著性和跨模态融合特征的图片描述生成方法
CN114722892A (zh) 基于机器学习的持续学习方法及装置
CN115630649A (zh) 一种基于生成模型的医学中文命名实体识别方法
Chen et al. Research on automatic essay scoring of composition based on CNN and OR
CN113420833A (zh) 一种基于问题语义映射的视觉问答方法及装置
CN111046966B (zh) 基于度量注意力机制的图像字幕生成方法
CN116910251A (zh) 基于bert模型的文本分类方法、装置、设备及介质
CN116757195A (zh) 一种基于提示学习的隐性情感识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190521

RJ01 Rejection of invention patent application after publication