CN112949277A - 基于融合表征学习的学科分类体系对齐方法、系统及介质 - Google Patents

基于融合表征学习的学科分类体系对齐方法、系统及介质 Download PDF

Info

Publication number
CN112949277A
CN112949277A CN202110191712.6A CN202110191712A CN112949277A CN 112949277 A CN112949277 A CN 112949277A CN 202110191712 A CN202110191712 A CN 202110191712A CN 112949277 A CN112949277 A CN 112949277A
Authority
CN
China
Prior art keywords
category
distance
concept
concepts
vectors
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
CN202110191712.6A
Other languages
English (en)
Inventor
杜一
崔文韬
周园春
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.)
Computer Network Information Center of CAS
Original Assignee
Computer Network Information Center of CAS
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 Computer Network Information Center of CAS filed Critical Computer Network Information Center of CAS
Priority to CN202110191712.6A priority Critical patent/CN112949277A/zh
Publication of CN112949277A publication Critical patent/CN112949277A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/189—Automatic justification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9017—Indexing; Data structures therefor; Storage structures using directory or table look-up
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开一种基于融合表征学习的学科分类体系对齐方法、系统及介质，本方法从想要对齐的两个学科分类体系中分别抽取类目概念及其对应的层次信息；将抽取的类目概念输入到预训练模型中，得到与类目概念对应的低维表示向量；根据类目概念对应的层次信息，将类目概念的自身表示向量与直接关联的表示向量进行层次拼接，得到类目概念的最终表示向量；对所述两个学科分类体系的类目概念的最终表示向量进行距离计算，找出距离最小的一对作为匹配的概念对，直至找出全部类目概念的匹配的概念对，完成学科分类体系对齐。能够有效的降低人工对齐两个学科体系的时间成本、运维等成本，提高准确率。

Description

基于融合表征学习的学科分类体系对齐方法、系统及介质
技术领域
本发明涉及学科分类体系领域，具体涉及一种基于融合表征学习的学科分类体系对齐方法、系统及介质。
背景技术
学科分类体系是一种根据资源内容属性进行组织的层级知识分类体系，如中图法分类体系、国标专利分类法学科体系等。虽然不同学科体系的编制原则、体系结构等有很大区别，但其基本原理是一致的，都是为了提高检索效果和检索效率而编制的一系列表达概念及概念关系的标识。它们在编制方法、体系结构、概念表达上就有一定的相似性，所以可以建立对应关系。学科分类体系对齐的目的是发现两个学科分类体系之间的概念类别对齐，它可以将不同知识组织关联起来，打通异构资源之间的壁垒，扩大相似术语集，为交叉浏览、文本标引、语义网等相关问题提供研究基础。现有的学科体系对齐方法大多是基于人工智力的直接映射，需要耗费大量的人力，工作量大，而且在数据更新时，维护程序复杂。当前也出现了基于机器学习的的对齐方法，但是存在准确率低的问题。
发明内容
针对以上问题，本发明提出一种融合表示学习方法及层次语义信息的学科分类体系对齐方法、系统及介质，该方法通过预训练模型对特定学科分类下的类目概念进行表征，进一步将该词条所属的上下位词条进行融合与利用。通过该方法，能够有效的降低人工对齐两个学科体系的时间成本、运维等成本，提高准确率。
为实现上述目的，本发明采用以下技术方案：
一种基于融合表征学习的学科分类体系对齐方法，包括以下步骤：
从想要对齐的两个学科分类体系中分别抽取类目概念及其对应的层次信息；
将抽取的类目概念输入到预训练模型中，得到与类目概念对应的低维表示向量；
根据类目概念对应的层次信息，将类目概念的自身表示向量与直接关联的表示向量进行层次拼接，得到类目概念的最终表示向量；
对所述两个学科分类体系的类目概念的最终表示向量进行距离计算，找出距离最小的一对作为匹配的概念对，直至找出全部类目概念的匹配的概念对，完成学科分类体系对齐。
进一步地，通过爬虫技术和正则匹配，从所述两个学科分类体系中分别抽取类目概念及其对应的层次信息。
进一步地，将抽取的类目概念及其对应的层次信息数据以xml、json、excel或csv格式保存。
进一步地，预先从学科分类体系中抽取类目概念及其对应的层次信息，输入到一预训练模型中进行对齐训练，直至训练合格。
进一步地，对于中文的学科分类体系，预训练模型采用BERT模型；对于英文的学科分类体系，预训练模型采用SCIBERT模型。
进一步地，层次拼接的方法为按照各级类目概念所在节点的表示向量进行拼接，得到当前类目概念的最终表示向量，拼接的方法包括：当前类目概念节点的表示向量+父节点的表示向量；当前类目概念节点的表示向量+所有父节点的表示向量；当前类目概念节点的表示向量+子节点的表示向量；当前类目概念节点的表示向量+所有子节点的表示向量；当前类目概念节点的表示向量+父节点的表示向量+子节点的表示向量；当前类目概念节点的表示向量+所有父节点的表示向量+所有子节点的表示向量。
进一步地，采用距离函数进行距离计算，该距离函数满足如下条件：自己到自己的距离为0，两个向量的距离非负，两个向量A到B的距离与B到A的距离相等。
进一步地，计算的距离种类为余弦相似度、欧几里得距离、曼哈顿距离、切比雪夫距离、马氏距离、闵可夫斯基距离、皮尔逊相关系数、汉明距离、杰卡德相似系数、编辑距离、DTW距离或KL散度。
一种基于融合表征学习的学科分类体系对齐系统，包括存储器和处理器，在该存储器上存储有计算机程序，该处理器执行该程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本发明使用现有的学科分类体系作为原始数据，通过网络爬虫、正则匹配等技术获得学科分类体系中的类目概念，利用预训练模型得到类目概念的表示向量，依据层次进行向量拼接，最后通过距离函数计算类目概念的相似度，从而实现学科分类体系的对齐。本发明利用自然语言处理技术、词向量嵌入技术、网络表示学习嵌入技术、机器学习技术等，解决了人工对齐两个学科体系时需要付出巨大的时间成本和运维成本的问题，显著地提高了对齐效率。
附图说明
图1是一种基于融合表征学习的学科分类体系对齐方法流程图。
图2是两种学科分类体系树状图。
图3是预训练模型生成低维表示向量示意图。
具体实施方式
为使本发明的技术方案能更明显易懂，特举实施例并结合附图详细说明如下。
本实施例公开一种基于融合表征学习的学科分类体系对齐方法，如图1所示，具体包括以下步骤：
1、从学科分类体系中抽取概念信息及概念对应的层次信息
概念信息是指学科分类体系中的类目概念，层次信息是指类目概念在学科体系中的层次级别。其中，类目概念是类目名称的简称，作为学科分类体系的主要构成，规定了特定类目所表达事物或概念的内涵和外延，是采编人员分类体系构建的主要参考依据之一。任何一部分类法都非常重视类名的选取，通常依据一定的类名规范标准，以保证类名具有科学性、准确性、简洁性和一致性。类名的主要表现形式一般有单词、词组或具有偏正关系的短语。
层次级别由层级关系确定，层级关系是指在学科体系中，一个类目概念明显包含/包含于另一个类目概念或者说一个类目概念明显比另一个类目概念更加一般化/特殊化。即a属于b或b属于a，两个类目是上下级关系。如包含、上位映射等关系都属于层级关系。学科体系分类法具有等级体系结构，每一级类目由其上类逐级细分而来，形成树形结构层次。每一个类目所处的深度称之为类目层次。
将学科分类体系(例如国家标准学科分类体系和科协学科分类体系)树中的类目概念和类目概念对应的层次逐个提取出来，如图1所示的学科分类体系1中，可以提取出的类目概念为数学、函数论、数理统计、偏微分方程、应用数学方法、多元分析、空间统计，形成学科体系的一级标题列表及一级标题下对应的二级标题列表、三级标题列表等，提取出来的数据保存为xml、json、excel、csv等多种格式，学科分类体系2亦如此，这些数据可以作为预训练模型的输入。
提取出来的概念信息和层次信息如以下表1-2：
表1学科分类体系1：
一级标题 二级标题 三级标题
数学 函数论
数学 数理统计 多元分析
数学 数理统计 空间统计
数学 偏微分方程
数学 应用数学方法
表2学科分类体系2：
一级标题 二级标题 三级标题
数学 偏微分方程
数学 函数论 函数逼近论
数学 函数论 实变函数论
数学 函数论 特殊函数论
数学 应用数学
数学 数理统计学 方差分析
数学 数理统计学 空间统计
2、通过预训练模型得到类目概念的低维表示向量
预训练模型是一种迁移学习的应用，利用几乎无限的文本，学习输入句子的每一个成员的上下文相关的表示，它隐式地学习到了通用的语法语义知识。它可以将从开放领域学到的知识迁移到下游任务，以改善低资源任务，对低资源语言处理也非常有利。
预训练的优势如下：
1)在大规模的文本语料库上进行预训练可以学习通用的语言表示形式，并帮助完成下游任务。
2)预训练提供了更好的模型初始化，通常可以带来更好的泛化性能并加快目标任务的收敛速度。
3)预训练可以被看作是一种正则化，以避免对小数据过度拟合。
对于中文的学科分类体系，可以使用预训练模型BERT得到类目的表示向量。BERT训练只需要无标注的数据，任何文本语料库都可以使用，不需要任何特殊的标注数据集。BERT使用了Wikipedia语料和一个图书语料库来训练模型。
对于英文的学科分类体系，可以使用预训练模型SCIBERT得到类目的表示向量，SCIBERT是一种基于BERT的预训练语言模型，它是在大量的科学文本语料库上训练的。该语料库由18％来自计算机科学领域的论文和82％来自广泛的生物医学领域的论文组成。论文使用论文的全文，而不仅仅是摘要。
从学科体系中获得的类目概念，经过预训练模型后可以直接得到其对应的低维表示向量，过程如图3所示。
3、依据类目概念的对应的层次信息，将类目概念的表示向量进行层次拼接。
与单纯计算语义相似度计算的方法相比，结合类目层次结构对类目相似度进行计算的方法更加科学。类目的上位词、下位词、注释词等对类目概念的内涵和外延起限定作用，分类法的层级结构特性对类目概念做了很好的限定，两类目的相似度与它们所处的层级深度相关。
学科分类体系中一条类目所体现的具体概念并不能完全由类目名称所体现，而且很有可能被它本身所处的上下文环境所影响，这种影响是不容忽略的。而对层级结构的分类法而言，这个环境直接体现为父级类目和直接子类目。假如学科分类体系中存在一条类目为“语言”，那如果只根据该类目本身进行相似度的计算，就无法确定该“语言”到底为“计算机语言”还是“人类自然语言”，甚至是“动物语言”。反之，假设该类目存在一个子类目为“Java语言”，则可以很容易地判定该类目所体现的概念为“计算机语言”。因此，本发明在计算2个类目相似度时，不仅考虑类目本身所涵盖的概念，同时还兼顾与它们直接关联的类目。
将类目直接关联的表示向量和类目自身的表示向量进行层次拼接作为类目自身的最终表示向量。
层次拼接的方式有以下几种(以图2中的学科分类体系2为例)：
1)当前类目概念节点的表示向量+父节点的表示向量，例如，“函数论”＝“数学”+“函数论”。
2)当前类目概念节点的表示向量+所有父节点的表示向量，例如，“函数逼近论”＝“数学”+“函数论”+“函数逼近论”。
3)当前类目概念节点的表示向量+子节点的表示向量，例如，“数理统计学”＝“数理统计学”+“方差分析”。
4)当前类目概念节点的表示向量+所有子节点的表示向量，例如，“函数论”＝“数学”+“函数论”。
5)当前类目概念节点的表示向量+父节点的表示向量+子节点的表示向量，例如，“函数论”＝“数学”+“函数论”+“特殊函数论”。
6)当前类目概念节点的表示向量+所有父节点的表示向量+所有子节点的表示向量，例如，“数理统计学”＝“数学”+“数理统计学”+“方差分析”+“空间分析”’。
4、将两个学科分类体系中的类目概念的最终表示向量进行距离计算，得到两个学科分类体系中最相似的概念对。
将两个学科分类体系中类目概念进行相似度度量，即找到一个学科分类体系中的类目概念在另一个学科分类体系中相似度最高的概念，从而实现对齐，两个类目概念进行相似度度量时采用的方法就是计算两个类目概念的最终表示向量之间的距离，具体的算法步骤如下：
1)给定学科分类体系1中的一个类目概念A，依次与另一个学科分类体系2中的所有类目进行距离计算，返回距离最小的类目概念a，(A,a)即为匹配的节点对。
2)重复步骤1)，直到学科分类体系1中的全部类目都在学科分类体系2中找到匹配的概念对。
用类目概念的最终表示向量采用距离函数进行距离计算时，距离函数d(x,y)需要满足下面几个准则：
1)d(x,x)＝0 //到自己的距离为0；
2)d(x,y)>＝0 //距离非负；
3)d(x,y)＝d(y,x) //对称性：如果A到B距离是a，那么B到A的距离也应该是a。
距离计算公式包括但不限于以下几种：1)余弦相似度，2)欧几里得距离，3)曼哈顿距离，4)切比雪夫距离，5)马氏距离，6)闵可夫斯基距离，7)皮尔逊相关系数，8)汉明距离，9)杰卡德相似系数，10)编辑距离，11)DTW距离，12)KL散度。
下面以余弦相似度为例进行说明：
余弦相似度计算，通过将文本转化为向量，通过计算两个向量夹角间的余弦值作为衡量两个文本的相似性。余弦值接近1，夹角趋于0，表明两个向量越相似，余弦值接近于0，夹角趋于90度，表明两个向量越使用余弦相似度计算两段文本的相似度。
余弦相似度计算公式：
Figure BDA0002944629910000061
Figure BDA0002944629910000062
Figure BDA0002944629910000063
将两个体系中类目概念的向量带入余弦相似度计算公式中，即可得到两个概念之间的相似度。
对齐结果：
本实施例将国家标准学科分类和科协学科分类用本发明方法进行了对齐，预训练模型使用BERT，层次拼接方式为本身节点+父节点，距离计算方式为余弦相似度计算，下面表3是部分对齐结果：
表3对齐结果
Figure BDA0002944629910000064
Figure BDA0002944629910000071
由上表可以看出：输入两个分类体系的类目概念后，利用本发明方法可以自动地实现两个分类体系中概念的对齐，有效地降低人工对齐两个学科体系的时间成本、运维等成本，准确率较高。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，本发明的保护范围以权利要求所述为准。

Claims (10)

1.一种基于融合表征学习的学科分类体系对齐方法，其特征在于，包括以下步骤：
从想要对齐的两个学科分类体系中分别抽取类目概念及其对应的层次信息；
将抽取的类目概念输入到预训练模型中，得到与类目概念对应的低维表示向量；
根据类目概念对应的层次信息，将类目概念的自身表示向量与直接关联的表示向量进行层次拼接，得到类目概念的最终表示向量；
对所述两个学科分类体系的类目概念的最终表示向量进行距离计算，找出距离最小的一对作为匹配的概念对，直至找出全部类目概念的匹配的概念对，完成学科分类体系对齐。
2.如权利要求1所述的方法，其特征在于，通过爬虫技术和正则匹配，从所述两个学科分类体系中分别抽取类目概念及其对应的层次信息。
3.如权利要求1所述的方法，其特征在于，将抽取的类目概念及其对应的层次信息数据以xml、json、excel或csv格式保存。
4.如权利要求1所述的方法，其特征在于，预先从学科分类体系中抽取类目概念及其对应的层次信息，输入到一预训练模型中进行对齐训练，直至训练合格。
5.如权利要求1所述的方法，其特征在于，对于中文的学科分类体系，预训练模型采用BERT模型；对于英文的学科分类体系，预训练模型采用SCIBERT模型。
6.如权利要求1所述的方法，其特征在于，层次拼接的方法为按照各级类目概念所在节点的表示向量进行拼接，得到当前类目概念的最终表示向量，拼接的方法包括：当前类目概念节点的表示向量+父节点的表示向量；当前类目概念节点的表示向量+所有父节点的表示向量；当前类目概念节点的表示向量+子节点的表示向量；当前类目概念节点的表示向量+所有子节点的表示向量；当前类目概念节点的表示向量+父节点的表示向量+子节点的表示向量；当前类目概念节点的表示向量+所有父节点的表示向量+所有子节点的表示向量。
7.如权利要求1所述的方法，其特征在于，采用距离函数进行距离计算，该距离函数满足如下条件：自己到自己的距离为0，两个向量的距离非负，两个向量A到B的距离与B到A的距离相等。
8.如权利要求1所述的方法，其特征在于，计算的距离种类为余弦相似度、欧几里得距离、曼哈顿距离、切比雪夫距离、马氏距离、闵可夫斯基距离、皮尔逊相关系数、汉明距离、杰卡德相似系数、编辑距离、DTW距离或KL散度。
9.一种基于融合表征学习的学科分类体系对齐系统，其特征在于，包括存储器和处理器，在该存储器上存储有计算机程序，该处理器执行该程序时实现权利要求1-8任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，该程序被处理器执行时实现权利要求1-8任一项所述的方法的步骤。
CN202110191712.6A 2021-02-19 2021-02-19 基于融合表征学习的学科分类体系对齐方法、系统及介质 Pending CN112949277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110191712.6A CN112949277A (zh) 2021-02-19 2021-02-19 基于融合表征学习的学科分类体系对齐方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110191712.6A CN112949277A (zh) 2021-02-19 2021-02-19 基于融合表征学习的学科分类体系对齐方法、系统及介质

Publications (1)

Publication Number Publication Date
CN112949277A true CN112949277A (zh) 2021-06-11

Family

ID=76244570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110191712.6A Pending CN112949277A (zh) 2021-02-19 2021-02-19 基于融合表征学习的学科分类体系对齐方法、系统及介质

Country Status (1)

Country Link
CN (1) CN112949277A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905561A (zh) * 2022-11-14 2023-04-04 华中农业大学 本体对齐方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512131A (zh) * 2014-09-25 2016-04-20 中国科学技术信息研究所 基于类目相似度计算的分类法类目映射的方法和装置
CN105893349A (zh) * 2016-03-31 2016-08-24 新浪网技术(中国)有限公司 类目标签匹配映射方法及装置
US20170032273A1 (en) * 2015-07-27 2017-02-02 International Business Machines Corporation Obtaining and Using a Distributed Representation of Concepts as Vectors

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512131A (zh) * 2014-09-25 2016-04-20 中国科学技术信息研究所 基于类目相似度计算的分类法类目映射的方法和装置
US20170032273A1 (en) * 2015-07-27 2017-02-02 International Business Machines Corporation Obtaining and Using a Distributed Representation of Concepts as Vectors
CN105893349A (zh) * 2016-03-31 2016-08-24 新浪网技术(中国)有限公司 类目标签匹配映射方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115905561A (zh) * 2022-11-14 2023-04-04 华中农业大学 本体对齐方法、装置、电子设备及存储介质
CN115905561B (zh) * 2022-11-14 2023-11-10 华中农业大学 本体对齐方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109902298B (zh) 一种自适应学习系统中领域知识建模及知识水平估测方法
CN108182295B (zh) 一种企业知识图谱属性抽取方法及系统
CN110334219A (zh) 基于注意力机制融入文本语义特征的知识图谱表示学习方法
CN111475629A (zh) 一种面向数学辅导问答系统的知识图谱构建方法及其系统
WO2023225858A1 (zh) 一种基于常识推理的阅读型考题生成系统及方法
CN112256866B (zh) 一种基于深度学习的文本细粒度情感分析算法
CN107169079A (zh) 一种基于Deepdive的领域文本知识抽取方法
CN111651973B (zh) 一种基于句法感知的文本匹配方法
CN116860978B (zh) 基于知识图谱和大模型的小学语文个性化学习系统
CN111710428B (zh) 一种建模全局和局部上下文交互的生物医学文本表示方法
Chen et al. ADOL: a novel framework for automatic domain ontology learning
CN115049062B (zh) 一种基于知识学习的数学应用题智能解题方法及系统
JP6709812B2 (ja) 関係性推定モデル学習装置、方法、及びプログラム
Kung et al. Intelligent pig‐raising knowledge question‐answering system based on neural network schemes
CN116244497A (zh) 一种基于异质数据嵌入的跨域论文推荐方法
Hassan Designing a flexible system for automatic detection of categorical student sentiment polarity using machine learning
CN113901224A (zh) 基于知识蒸馏的涉密文本识别模型训练方法、系统及装置
Xu et al. A novel entity joint annotation relation extraction model
CN112949277A (zh) 基于融合表征学习的学科分类体系对齐方法、系统及介质
CN113033186A (zh) 一种基于事件分析的纠错预警方法及系统
CN117094390A (zh) 一种面向海洋工程领域的知识图谱构建及智能搜索方法
Dong et al. Knowledge graph construction of high-performance computing learning platform
Li [Retracted] An English Writing Grammar Error Correction Technology Based on Similarity Algorithm
Wu et al. A Text Emotion Analysis Method Using the Dual‐Channel Convolution Neural Network in Social Networks
Khan et al. Sphinx: an automated generation system for English reading comprehension assessment

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210611