CN113987163B - 一种基于本体指导的终身事件抽取方法 - Google Patents
一种基于本体指导的终身事件抽取方法 Download PDFInfo
- Publication number
- CN113987163B CN113987163B CN202111134710.XA CN202111134710A CN113987163B CN 113987163 B CN113987163 B CN 113987163B CN 202111134710 A CN202111134710 A CN 202111134710A CN 113987163 B CN113987163 B CN 113987163B
- Authority
- CN
- China
- Prior art keywords
- event
- representation
- instance
- ontology
- new
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 description 6
- 230000006378 damage Effects 0.000 description 6
- 208000014674 injury Diseases 0.000 description 6
- 238000007792 addition Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于本体指导的终身事件抽取方法，包括：获取初始事件本体中每类事件所包含的实例，并利用实例表示模型对实例进行编码得到实例表示；根据所有实例表示构建事件本体表示，事件本体表示中包含事件表示和事件之间的关系表示；根据终身事件抽取新任务得到新事件表示后，基于事件本体的公理更新旧任务中的得到的旧事件本体表示，利用新事件表示和旧事件本体表示更新新事件表示；利用构建的总损失优化实例表示模型参数和损失函数超参数；应用时，根据参数确定的实例表示模型获得新实例的实体表示后，计算实例表示与所有优化后的事件本体中事件表示的相似度，选择事件本体中最高相似度的事件表示所对应的类别为新实例的事件类别。
Description
技术领域
本发明属于信息抽取及推理技术领域，具体涉及一种基于本体指导的终身事件抽取方法。
背景技术
传统的事件抽取方法可以从非结构化的数据中提取结构化事件知识元素，但仅限于预定义的事件本体。实际上，现实中的事件本体可能会随着时间的推移而改变，增加新事件类型或更细粒度的子事件类型。所以现实中比较符合实际情况的事件抽取实际上是一种终身事件抽取，即在终身事件抽取的新任务中会出现新事件类型。
从直觉上来看，可以利用事件本体建模新事件和已有事件之间的关联，比如事件之间的时序、因果和层次关系，比如现有的事件本体中已经存在一些事件类型：“结婚”，“离婚”，“受伤”，“死亡”等，如果在终身事件抽取中出现新事件“出生”，则可以建立起“出生”这类事件和这些已有事件类型的联系，因为它们在事件本体中同属于“生活”这个事件超类/父类。
申请公布号为CN104598535A的专利申请公开了一种基于最大熵的事件抽取方法，：1)构建一触发词词典和一事件元素角色词典；2)对于已标注训练语料，采用机器学习的方法训练模型，获取判断事件类别的最大熵模型MT和用于从事件句子中抽取事件元素的最大熵模型MR；3)根据触发词对需要抽取事件的语料进行过滤，将匹配到设定触发词的句子作为候选事件；4)通过最大熵模型MT对所述候选事件进行分类，获取属于设定事件类别的事件句子；5)根据事件元素角色词典和最大熵模型MR从步骤4)所得事件句子中抽取事件的各个元素词语，完成事件抽取。
申请公布号为CN106951530A的专利申请公开了一种事件类型抽取方法和装置，包括：从预置的语料库中提取出候选语料词语；基于所述语料库，确定预置的触发词集合中的基准触发词与所述候选语料词语的关联性，其中，所述基准触发词为通过自动内容抽取技术确定的；对于任意一个基准触发词，将与所述基准触发词关联性满足预设要求的候选语料词语确定为目标触发词，得到至少一个所述目标触发词；确定所述触发词集合中的所述目标触发词的特征；基于目标触发词的特征，对目标触发词进行聚类，得到聚类出的属于不同事件类别的聚类集合。
上述两个公开专利申请提供的事情抽取方法均没有考虑终身的事件抽取问题。
发明内容
鉴于上述，本发明的目的是提供一种基于本体指导的终身事件抽取方法，特别适用于增量的事件抽取，通过事件本体来建模增量事件的稳态，提升了增量事件抽取的准确性。
为实现上述发明目的，本发明提供以下技术方案：
一种基于本体指导的终身事件抽取方法，包括以下步骤：
获取初始事件本体中每类事件所包含的实例，并利用实例表示模型对实例进行编码得到实例表示；
根据初始事件本体中每类事件包含的所有实例表示构建事件本体表示，事件本体表示中包含事件表示和事件之间的关系表示；
根据终身事件抽取新任务得到新事件表示后，基于事件本体的公理更新旧任务中的得到的旧事件本体表示，利用新事件表示和旧事件本体表示更新新事件表示；
根据实例表示和实例所属事件的事件表示之间的距离差异构建分类损失，根据事件本体中新、旧事件表示之间的距离差异构建维稳损失，根据分类损失和维稳损失构建得到总损失；
根据总损失优化实例表示模型参数和损失函数超参数，优化结束后，得到参数确定的实例表示模型和优化后的事件本体表示；
应用时，根据参数确定的实例表示模型获得新实例的实体表示后，计算实例表示与所有优化后的事件本体中事件表示的相似度，选择事件本体中最高相似度的事件表示所对应的类别为新实例的事件类别。
与现有技术相比，本发明具有的有益效果至少包括：
上述终身事件抽取方法是目前率先基于本体指导去解决终身事件抽取任务的方法，基于事件本体提升终身事件抽取的准确性和稳态性。本发明中，基于事件本体去建模事件类型之间的关系，将实例级别的事件抽取上升为类别级别的事件关联推理问题，有效提升了事件抽取的准确性。此外，当出现新类型事件时，亦可以通过事件本体的公理建立起新事件与本体中已有事件之间的关联，以得到新事件表示。利用事件本体，新事件和旧事件是在统一的框架下进行建模，从而有效避免了终身事件抽取中的灾难性遗忘问题，即旧事件抽取的性能不会因新事件的加入而显著下降。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于本体指导的终身事件抽取方法的流程图；
图2是本发明实施例提供的基于本体指导的终身事件抽取框架示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
图1是本发明实施例提供的基于本体指导的终身事件抽取方法的流程图。图2是本发明实施例提供的基于本体指导的终身事件抽取框架示意图。如图1和图2所示，实施例提供的基于本体指导的终身事件抽取方法，包括以下步骤：
S1，获取初始事件本体中每类事件所包含的实例，并利用实例表示模型对实例进行编码得到实例表示。
实施例中，事件本体包含多种类型的事件，每类事件由事件实例组成，事件实例简称实例。利用实例表示模型对实例进行编码得到实例表示，包括：
对于表示为的实例，其中，/>表示第i个实例中的第1个字段，L为第i个实例包含的最大字段数目，对于实例Xi，除了实例Xi中本来字段外，还为实例Xi增加首字段[CLS]，之后利用实体表示模型对增加首字段的实例进行表示学习，将首字段[CLS]的表示作为实例Xi的实体表示Xi。
需要说的是，实体表示模型是可插拔的，可以采用BERT模型、CNN模型、RNN模型、GNN模型等一系列文本编码模型，即利用这些文本编码模型建模上下文信息以得到实例中每个字段的表示和整个实例的表示。
S2，根据初始事件本体中每类事件包含的所有实例表示构建事件本体表示，事件本体表示中包含事件表示和事件之间的关系表示。
实施例中，所述根据初始事件本体中每类事件包含的所有实例表示构建事件本体表示，包括：
给定一类事件包含的所有实例表示，将每类事件包含的所有实例表示的均值作为事件表示：
其中，Ek表示事件本体中第k类事件的事件表示，Nk是第k类事件所包含的实例数目，Xi表示第i个实体的实体表示。
事件之间的关系r的关系表示由一个d×d维度的矩阵Mr来表示，关系表示Mr是基于本体语言OWL2中所定义的关系对象属性，并利用线性映射假设对关系表示进行约束来得到。
实施例中，事件之间的关系r包括：导致(Cause)，起因(CausedBy)，之前(Before)，之后(After)，同时(Equal)，父类(SuperSub)，子类(SubSuper)，同级(CoSuper)。
基于以上关系r，考虑的关系对象属性主要包括顺承(subOP)，互逆(inverseOP)和传递(transitiveOP)：
关系矩阵表示之间满足的线性映射假设约束为：
S3，根据终身事件抽取新任务得到新事件表示后，基于事件本体的公理更新旧任务中的得到的旧事件本体表示，利用新事件表示和旧事件本体表示更新新事件表示。
实施例中，在终身事件抽取的新任务中出现新类别的新事件时，新事件会基于事件本体的公理得到表示。比如，事件本体中定义了这样一条公理表示的就是存在一个新事件Ei和事件本体中已有的旧事件Ej属于同一个超类/父类(CoSuper)。
实施例中，采用以下公式更新新事件表示：
其中，Ei表示第i类新事件Ei的事件表示，λ表示权重系数，取值为0-1，表示事件本体/>中，旧事件Ek和新事件Ei之间存在关系rn，Ek表示第k类旧事件Ek的事件表示，/>表示关系rn的关系表示。
S4，根据实例表示和实例所属事件的事件表示之间的距离差异构建分类损失，根据事件本体中新、旧事件表示之间的距离差异构建维稳损失，根据分类损失和维稳损失构建得到总损失。
实施例中，分类损失是为了保证事件抽取的准确性，根据实例表示和实例所属事件的事件表示之间的距离差异构建的分类损失表示为：
其中，Lc表示分类损失，表示第i个实例表示Xi与第k类事件表示Ek之间的夹角，Nk表示属于第k类事件的实例总个数，|·|表示向量的模，‖·‖表示向量的二范数。
实施例中，维稳损失是为了克服终身事件抽取中的灾难性遗忘问题，即尽可能避免学习到新任务时，旧任务的性能下降，根据事件本体中新、旧事件表示之间的距离差异构建维稳损失表示为：
其中，Ls表示维稳损失，表示事件本体中事件类型的总个数，Fs(·)表示相似度函数，比如余弦相似度，Ei是事件本体中已有的旧事件表示，Ej是新事件表示；
则根据分类损失和维稳损失构建得到总损失表示为：
L＝αLc+(1-α)Ls
其中，L表示总损失，Lc表示分类损失，Ls表示维稳损失，α为权重参数，取值为0-1。
S5，根据总损失优化实例表示模型参数和损失函数超参数，优化结束后，得到参数确定的实例表示模型和优化后的事件本体表示。
实施例中，依据S4构建的总损失L优化实例表示模型参数，S3中新事件表示的更新公式的参数λ，以及总损失L中参数α。在优化的过程中，同时还更新事件本体表示。
S6，应用时，根据参数确定的实例表示模型获得新实例的实体表示后，计算实例表示与所有优化后的事件本体中事件表示的相似度，选择事件本体中最高相似度的事件表示所对应的类别为新实例的事件类别。
实施例中，实例表示模型优化旨在使新旧任务中事件的实例表示和事件本体中的事件表示尽可能接近。应用S1中的方法先获得事件实例的表示，接下来，计算实例表示与所有优化后的事件本体中事件表示的相似度，表示为：
其中，C表示相似度，argmax(·)表示对函数求参数(集合)的函数，Xi′表示利用实例表示模型对新实例Xi获得的实体表示。
最后，选择最高相似度对应的事件类别为新实例的事件类别，这样就实现了实例的事件抽取。
上述实施例提供的基于本体指导的终身事件抽取方法可以应用到现实中诸多现实场景，比如事件时间线和事件结构的梳理。以受伤事件为例，采取上述实施例提出的基于本体指导的终身事件抽取方法，不仅可以对受伤这类新出现的事件的层级结构进行分析，比如，它的父类事件是生命事件，它的子类事件包含轻伤和重伤等，它和出生、死亡这类事件属于同一类目；而且可以对某一具体受伤事件发展的脉络进行梳理，受伤事件从什么时候开始，有哪些事件的里程碑时间节点，导致受伤的原因有哪些等。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于本体指导的终身事件抽取方法，其特征在于，包括以下步骤：
获取初始事件本体中每类事件所包含的实例，并利用实例表示模型对实例进行编码得到实例表示；
根据初始事件本体中每类事件包含的所有实例表示构建事件本体表示，事件本体表示中包含事件表示和事件之间的关系表示；
根据终身事件抽取新任务得到新事件表示后，基于事件本体的公理更新旧任务中的得到的旧事件本体表示，利用新事件表示和旧事件本体表示更新新事件表示，采用以下公式更新新事件表示：
其中，Ei表示第i类新事件Ei的事件表示，λ表示权重系数，取值为0-1，表示在事件本体/>中，旧事件Ek和新事件Ei之间存在关系rn，Ek表示第k类旧事件Ek的事件表示，/>表示关系rn的关系表示；
根据实例表示和实例所属事件的事件表示之间的距离差异构建分类损失，根据事件本体中新、旧事件表示之间的距离差异构建维稳损失，根据分类损失和维稳损失构建得到总损失；
根据总损失优化实例表示模型参数和损失函数超参数，优化结束后，得到参数确定的实例表示模型和优化后的事件本体表示；
应用时，根据参数确定的实例表示模型获得新实例的实体表示后，计算实例表示与所有优化后的事件本体中事件表示的相似度，选择事件本体中最高相似度的事件表示所对应的类别为新实例的事件类别。
2.根据权利要求1所述的基于本体指导的终身事件抽取方法，其特征在于，所述利用实例表示模型对实例进行编码得到实例表示，包括：
对于表示为的实例，其中，/>表示第i个实例中的第1个字段，L为第i个实例包含的最大字段数目，为实例Xi增加首字段[CLS]后，利用实体表示模型对增加了首字段的实例进行表示学习，将首字段[CLS]的表示作为实例表示。
3.根据权利要求1所述的基于本体指导的终身事件抽取方法，其特征在于，所述根据初始事件本体中每类事件包含的所有实例表示构建事件本体表示，包括：
以每类事件包含的所有实例表示的均值作为事件表示：
其中，Ek表示事件本体中第k类事件的事件表示，Nk是第k类事件所包含的实例数目，Xi表示第i个实例的实例表示。
4.根据权利要求1所述的基于本体指导的终身事件抽取方法，其特征在于，所述根据初始事件本体中每类事件包含的所有实例表示构建事件本体表示，包括：
事件之间的关系r由一个d×d维度的矩阵Mr来表示，关系表示Mr是基于本体语言OWL2中所定义的关系对象属性，并利用线性映射假设对关系表示进行约束来得到。
5.根据权利要求4所述的基于本体指导的终身事件抽取方法，其特征在于，所述事件之间的关系r包括：导致，起因，之前，之后，同时，父类，子类，同级。
6.根据权利要求1所述的基于本体指导的终身事件抽取方法，其特征在于，根据实例表示和实例所属事件的事件表示之间的距离差异构建的分类损失表示为：
其中，Lc表示分类损失，表示第i个实例表示Xi与第k类事件表示Ek之间的夹角，Nk表示属于第k类事件的实例总个数，|·|表示向量的模，||·||表示向量的二范数。
7.根据权利要求1所述的基于本体指导的终身事件抽取方法，其特征在于，根据事件本体中新、旧事件表示之间的距离差异构建维稳损失表示为：
其中，Ls表示维稳损失，表示事件本体中事件类型的总个数，Fs(·)表示相似度函数，Ei是事件本体中已有的旧事件表示，Ej是新事件表示；
根据分类损失和维稳损失构建得到总损失表示为：
L＝αLc+(1-α)Ls
其中，L表示总损失，Lc表示分类损失，Ls表示维稳损失，α为权重参数，取值为0-1。
8.根据权利要求1所述的基于本体指导的终身事件抽取方法，其特征在于，计算实例表示与所有优化后的事件本体中事件表示的相似度，表示为：
其中，C表示相似度，argmax(·)表示对函数求参数(集合)的函数，Xi′表示利用实例表示模型对新实例Xi获得的实体表示。
9.根据权利要求1所述的基于本体指导的终身事件抽取方法，其特征在于，实例表示模型是可插拔的，包括BERT模型、CNN模型、RNN模型、GNN模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111134710.XA CN113987163B (zh) | 2021-09-27 | 2021-09-27 | 一种基于本体指导的终身事件抽取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111134710.XA CN113987163B (zh) | 2021-09-27 | 2021-09-27 | 一种基于本体指导的终身事件抽取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113987163A CN113987163A (zh) | 2022-01-28 |
| CN113987163B true CN113987163B (zh) | 2024-06-07 |
Family
ID=79736879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111134710.XA Active CN113987163B (zh) | 2021-09-27 | 2021-09-27 | 一种基于本体指导的终身事件抽取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113987163B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102298635A (zh) * | 2011-09-13 | 2011-12-28 | 苏州大学 | 事件信息融合方法和系统 |
| CN104598535A (zh) * | 2014-12-29 | 2015-05-06 | 中国科学院计算机网络信息中心 | 一种基于最大熵的事件抽取方法 |
| CN106599032A (zh) * | 2016-10-27 | 2017-04-26 | 浙江大学 | 一种结合稀疏编码和结构感知机的文本事件抽取方法 |
| CN111985152A (zh) * | 2020-07-28 | 2020-11-24 | 浙江大学 | 一种基于二分超球面原型网络的事件分类方法 |
| WO2020239061A1 (zh) * | 2019-05-31 | 2020-12-03 | 腾讯科技（深圳）有限公司 | 基于文本的事件检测方法、装置、计算机设备及存储介质 |
| CN112559656A (zh) * | 2020-12-09 | 2021-03-26 | 河海大学 | 基于水文事件的事理图谱构建方法 |
-
2021
- 2021-09-27 CN CN202111134710.XA patent/CN113987163B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102298635A (zh) * | 2011-09-13 | 2011-12-28 | 苏州大学 | 事件信息融合方法和系统 |
| CN104598535A (zh) * | 2014-12-29 | 2015-05-06 | 中国科学院计算机网络信息中心 | 一种基于最大熵的事件抽取方法 |
| CN106599032A (zh) * | 2016-10-27 | 2017-04-26 | 浙江大学 | 一种结合稀疏编码和结构感知机的文本事件抽取方法 |
| WO2020239061A1 (zh) * | 2019-05-31 | 2020-12-03 | 腾讯科技（深圳）有限公司 | 基于文本的事件检测方法、装置、计算机设备及存储介质 |
| CN111985152A (zh) * | 2020-07-28 | 2020-11-24 | 浙江大学 | 一种基于二分超球面原型网络的事件分类方法 |
| CN112559656A (zh) * | 2020-12-09 | 2021-03-26 | 河海大学 | 基于水文事件的事理图谱构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于位置的知识图谱链接预测;张宁豫;陈曦;陈矫彦;邓淑敏;阮伟;吴春明;陈华钧;;中文信息学报;20180415(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113987163A (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112199511B (zh) | 跨语言多来源垂直领域知识图谱构建方法 | |
| WO2021103492A1 (zh) | 一种企业经营风险预测方法和系统 | |
| CN111914054B (zh) | 用于大规模语义索引的系统和方法 | |
| CN111143576A (zh) | 一种面向事件的动态知识图谱构建方法和装置 | |
| CN113806563B (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
| CN117453921A (zh) | 一种大语言模型的数据信息标签处理方法 | |
| CN113392209B (zh) | 一种基于人工智能的文本聚类方法、相关设备及存储介质 | |
| WO2023124191A1 (zh) | 基于深度图匹配的医疗数据元自动化分类方法及系统 | |
| CN112463981A (zh) | 一种基于深度学习的企业内部经营管理风险识别提取方法及系统 | |
| US10614031B1 (en) | Systems and methods for indexing and mapping data sets using feature matrices | |
| US20230153335A1 (en) | Searchable data structure for electronic documents | |
| CN114238653A (zh) | 一种编程教育知识图谱构建、补全与智能问答的方法 | |
| CN117574898A (zh) | 基于电网设备的领域知识图谱更新方法及系统 | |
| CN114996549A (zh) | 基于活动对象信息挖掘的智能追踪方法与系统 | |
| CN114265943B (zh) | 一种因果关系事件对提取方法及系统 | |
| CN116306923A (zh) | 一种基于知识图谱的评价权重计算方法 | |
| CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
| CN117725999A (zh) | 一种基于提示学习和外部知识嵌入的关系抽取方法 | |
| CN117687824A (zh) | 基于质量问题知识图谱的卫星故障诊断系统 | |
| CN113987163B (zh) | 一种基于本体指导的终身事件抽取方法 | |
| CN116127097A (zh) | 一种结构化文本关系抽取方法、装置、设备 | |
| CN116720519A (zh) | 一种苗医药命名实体识别方法 | |
| CN115439919A (zh) | 模型更新方法、装置、设备、存储介质及程序产品 | |
| CN112613318B (zh) | 实体名称归一化系统及其方法、计算机可读介质 | |
| CN114969087A (zh) | 基于多视角特征解耦的nl2sql方法和装置 |
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 | ||
| GR01 | Patent grant |