CN114048727B - 一种面向医学领域的关系抽取方法 - Google Patents

一种面向医学领域的关系抽取方法 Download PDF

Info

Publication number
CN114048727B
CN114048727B CN202111383236.4A CN202111383236A CN114048727B CN 114048727 B CN114048727 B CN 114048727B CN 202111383236 A CN202111383236 A CN 202111383236A CN 114048727 B CN114048727 B CN 114048727B
Authority
CN
China
Prior art keywords
statement
relation
extracted
vector
relationship
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
Application number
CN202111383236.4A
Other languages
English (en)
Other versions
CN114048727A (zh
Inventor
李瑞瑞
于沛
赵伟
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.)
Beijing Futong Oriental Technology Co ltd
Original Assignee
Beijing Futong Oriental Technology Co ltd
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 Beijing Futong Oriental Technology Co ltd filed Critical Beijing Futong Oriental Technology Co ltd
Priority to CN202111383236.4A priority Critical patent/CN114048727B/zh
Publication of CN114048727A publication Critical patent/CN114048727A/zh
Application granted granted Critical
Publication of CN114048727B publication Critical patent/CN114048727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)
  • Document Processing Apparatus (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

公开了一种面向医学领域的关系抽取方法，包括：S1：设置关系抽取模型的超参数；S2：获取待抽取关系的语句；S3：对待抽取关系的语句进行向量化，得到语句向量化结果；S4：将语句向量化结果输入关系抽取模型；S5：得到关系抽取结果。通过上述方式，能够从海量的非结构化文本中抽取出有用的信息并转化成三元组格式，与知识图谱格式相同，为医疗知识图谱补充结构化数据。

Description

一种面向医学领域的关系抽取方法
技术领域
所述涉及关系抽取领域，特别是涉及一种面向医学领域的关系抽取方法。
背景技术
在智慧医疗中，知识图谱作为一种语义网络拥有极强的表达能力和建模灵活性，提供了实体之间复杂的语义关联，有助于提升系统的准确性、多样性和可解释性。医疗知识图谱的构建需要大量的结构化数据，而在现实生活中，能够获取的数据都是非结构化数据，这时就需要用到信息抽取技术。
信息抽取在自然语言处理中是一项很重要的工作，特别是在当今信息爆炸的背景下，从海量的非结构化文本中抽取出有用的信息，并结构化成下游任务可用的格式，这是信息抽取的存在意义。信息抽取又可分为命名实体识别、关系抽取以及事件抽取等。其中，关系抽取可以简单理解为一个分类问题：给定两个实体和两个实体共同出现的句子文本，来判别两个实体之间的关系。其得到的结果是三元组格式，与知识图谱格式相同。
深度学习深入影响了NLP的各个方向，极大推动了NLP的发展。目前，面向自然语言文本序列已经有很多神经网络模型，例如循环神经网络（RNN、LSTM、GRU）、卷积神经网络（CNN）和Transformer等，这些模型可以很好地完成关系抽取任务。由于RNN结构较简单，在反向传播过程中，存在梯度爆炸和梯度消失问题，当序列过长时，会遗忘前面传过来的信息。
发明内容
本发明主要解决的技术问题是提供一种面向医学领域的关系抽取方法，能够解决RNN中经常遇到梯度消失和梯度爆炸和难以捕捉长期依赖关系的问题。
为解决上述技术问题，所述采用的一个技术方案是：提供一种面向医学领域的关系抽取方法，包括：
S1：设置关系抽取模型的超参数；
S2：获取待抽取关系的语句；
S3：对待抽取关系的语句进行向量化，得到语句向量化结果；
S4：将语句向量化结果输入关系抽取模型；
S5：得到关系抽取结果。
进一步的，所述超参数，包括：
词向量大小、关系类别数目、GRU神经元数目、语句最大长度和位置编码最大长度。
进一步的，所述待抽取关系的语句，由用户输入，格式为：
实体1实体2语句，
所述实体及语句间使用空格进行间隔。
进一步的，所述对待抽取关系的语句进行向量化，包括：
S31：读取词向量表并进行编码，用字典储存；
S32：对关系类别进行编码，用字典储存；
S33：根据语句最大长度创建空列表；
S34：获取空字符编码以及待抽取关系的语句中实体1、实体2与当前位置的位置编码；
S35：按词对待抽取关系的语句进行遍历，若该词不在词向量表中，则将原有的空字符编码替换为未登录字符编码；若该词在词表中，则将原有的空字符编码替换为该词在词向量表中所对应的编码；
S36：得到待抽取关系的语句每个词对应编码的向量、待抽取关系的语句中每个位置对应实体1的向量、待抽取关系的语句中每个位置对应实体2的向量。
进一步的，所述关系抽取模型，包括：
输入层、Bi-GRU+字符级Attention层、输出层、语句级Attention层和关系类别层；
所述输入层，输入格式为句子；
所述Bi-GRU+字符级Attention层，选择Bi-GRU模型，对语句中的每一个中文字符输入进行字符级embedding以及加入字符级Attention；
所述输出层，对每个输入序列输出一个关系；
所述语句级Attention层，针对每个关系类别的所有语句进行向量化，并加入语句级Attention，同时对关系类别设置权重；
所述关系类别层，输出label结果；
所述权重，代表该语句包含着该关系的可能性。
进一步的，所述字符级Attention，
将由Bi-GRU模型产生的输出向量定义为
Figure 313534DEST_PATH_IMAGE001
，其中
Figure DEST_PATH_IMAGE002
为语句长度；
语句的关系类别
Figure 168357DEST_PATH_IMAGE003
由所述输出向量的加权和构成：
Figure DEST_PATH_IMAGE004
，
Figure 948095DEST_PATH_IMAGE005
，
Figure DEST_PATH_IMAGE006
，
最后得到用于分类的语句对表示：
Figure 280987DEST_PATH_IMAGE007
。
进一步的，所述语句级Attention，
给定包含一个实体和n个语句的集合
Figure DEST_PATH_IMAGE008
,将n个语句向量化表示为
Figure 95359DEST_PATH_IMAGE009
，加入语句级Attention时，权重定义为：
Figure DEST_PATH_IMAGE010
，
Figure 917822DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
，
其中，函数
Figure 140116DEST_PATH_IMAGE013
体现了语句对于该关系的匹配程度，
Figure DEST_PATH_IMAGE014
为语句向量，
Figure 339016DEST_PATH_IMAGE015
表示权重
Figure DEST_PATH_IMAGE016
的对角矩阵，即矩阵
Figure 945578DEST_PATH_IMAGE015
的主对角线元素为权重
Figure 938942DEST_PATH_IMAGE016
的元素值，其他位置的元素均为0；
Figure 693271DEST_PATH_IMAGE017
代表该关系的向量；
得到语句集合向量后，再通过一层网络得到语句对表示：
Figure DEST_PATH_IMAGE018
；
其中，
Figure 367966DEST_PATH_IMAGE019
是所有实体关系的向量所组成的矩阵，
Figure DEST_PATH_IMAGE020
为随机初始化的偏置向量。
本发明的有益效果是：通过使用双向门控循环单元（Bi-GRU）代替传统的RNN，并采用双重Attention，从而提高RNN的编码能力和关系抽取结果的准确性。
附图说明
图1是一种面向医学领域的关系抽取方法的流程图；
图2是一种面向医学领域的关系抽取方法的整体框架图；
图3 是一种面向医学领域的关系抽取方法的双向门控循环单元。
具体实施方式
下面结合附图对所述的较佳实施例进行详细阐述，以使所述的优点和看特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1和图2，所述实施例包括：
为解决上述技术问题，所述的采用的一个技术方案是：提供种面向医学领域的关系抽取方法，包括：
S1：设置关系抽取模型的超参数；
S2：获取待抽取关系的语句；
S3：对待抽取关系的语句进行向量化，得到语句向量化结果；
S4：将语句向量化结果输入关系抽取模型；
S5：得到关系抽取结果。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述超参数，包括：
词向量大小、关系类别数目、GRU神经元数目、语句最大长度、位置编码最大长度。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述待抽取关系的语句，由用户输入，格式为：
实体1实体2语句，
所述实体及语句间使用空格进行间隔。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述对待抽取关系的语句进行向量化，包括：
S31：读取词向量表并进行编码，用字典储存；
S32：对关系类别进行编码，用字典储存；
S33：根据语句最大长度创建空列表；
S34：获取空字符编码以及待抽取关系的语句中两实体与当前位置的位置编码；
S35：按词对待抽取关系的语句进行遍历，若该词不在词表中，则将原有的空字符编码替换为未登录字符编码；若该词在词表中，则将原有的空字符编码替换为该词在词表中所对应的编码；
S36：得到待抽取关系的语句每个词对应编码的向量、待抽取关系的语句中每个位置对应实体1的向量、待抽取关系的语句中每个位置对应实体2的向量。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述关系抽取模型，包括：
输入层、Bi-GRU+字符级Attention层、输出层、语句级Attention层、关系类别层；
所述输入层，输入格式为句子；
所述Bi-GRU+字符级Attention层，选择Bi-GRU模型，对语句中的每一个中文字符输入进行字符级embedding以及加入字符级Attention；
所述输出层，对每个输入序列输出一个关系；
所述语句级Attention层，针对每个关系类别的所有语句进行向量化，并加入语句级Attention，同时对关系类别设置权重；
所述关系类别层，输出label结果；
所述权重，代表该语句包含着该关系的可能性。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述字符级Attention，
将由Bi-GRU模型产生的输出向量定义为
Figure 891352DEST_PATH_IMAGE001
，其中
Figure 321196DEST_PATH_IMAGE002
为语句长度；
语句的关系类别
Figure 562821DEST_PATH_IMAGE003
由所述输出向量的加权和构成：
Figure 775628DEST_PATH_IMAGE004
，
Figure 419099DEST_PATH_IMAGE005
，
Figure 754265DEST_PATH_IMAGE006
，
最后得到用于分类的语句对表示：
Figure 483187DEST_PATH_IMAGE007
。
进一步地，所述语句级Attention，
给定包含一个实体和n个语句的集合
Figure 562001DEST_PATH_IMAGE008
,将n个语句向量化表示为
Figure 997662DEST_PATH_IMAGE009
，加入语句级Attention时，权重定义为：
Figure 769309DEST_PATH_IMAGE010
，
Figure 719947DEST_PATH_IMAGE011
，
Figure 602453DEST_PATH_IMAGE012
，
其中，函数
Figure 954937DEST_PATH_IMAGE013
体现了语句对于该关系的匹配程度，
Figure 835168DEST_PATH_IMAGE014
为语句向量，
Figure 273103DEST_PATH_IMAGE015
表示权重
Figure 693720DEST_PATH_IMAGE016
的对角矩阵，即矩阵
Figure 166289DEST_PATH_IMAGE015
的主对角线元素为权重
Figure 279739DEST_PATH_IMAGE016
的元素值，其他位置的元素均为0；
Figure 142653DEST_PATH_IMAGE017
代表该关系的向量；
得到语句集合向量后，再通过一层网络得到语句对表示：
Figure 366961DEST_PATH_IMAGE018
；
其中，
Figure 428457DEST_PATH_IMAGE021
是所有实体关系的向量所组成的矩阵，
Figure DEST_PATH_IMAGE022
为随机初始化的偏置向量。
在另一个实施例中，以一个具体实例对本方法进行说明：
提供一种面向医学领域的关系抽取方法，包括：
S1：设置关系抽取模型的超参数；
S2：获取待抽取关系的语句；
S3：对待抽取关系的语句进行向量化，得到语句向量化结果；
S4：将语句向量化结果输入关系抽取模型；
S5：得到关系抽取结果。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述超参数，包括：
词向量大小、关系类别数目、GRU神经元数目、语句最大长度、位置编码最大长度。
在本实施例中，各个超参数分别设置为：
词向量大小vocab：16693词；
关系类别数目num_classes：5个；
GRU神经元数目：230个；
句子最大长度：70字；
位置编码最大长度：60字；
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述待抽取关系的语句，由用户输入，格式为：
实体1实体2语句，
所述实体及语句间使用空格进行间隔。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述对待抽取关系的语句进行向量化，包括：
S31：读取词向量表并进行编码，用字典储存；
在本实施例中，对词向量表进行读取，并且对其进行编码，即16693个词分别记为
Figure 712808DEST_PATH_IMAGE023
，还需增加空字符和未登录词字符编码，分别记为16693和16694，用字典存储；
S32：对关系类别进行编码，用字典储存；
在本实施例中，对五种关系类别进行编码，记为
Figure DEST_PATH_IMAGE024
，用字典存储；
S33：根据语句最大长度创建空列表；
S34：获取空字符编码以及待抽取关系的语句中两实体与当前位置的位置编码；
S35：按词对待抽取关系的语句进行遍历，若该词不在词表中，则将原有的空字符编码替换为未登录字符编码；若该词在词表中，则将原有的空字符编码替换为该词在词表中所对应的编码；
S36：得到待抽取关系的语句每个词对应编码的向量、待抽取关系的语句中每个位置对应实体1的向量、待抽取关系的语句中每个位置对应实体2的向量。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述关系抽取模型，包括：
输入层、Bi-GRU+字符级Attention层、输出层、语句级Attention层、关系类别层；
所述输入层，输入格式为句子；
所述Bi-GRU+字符级Attention层，选择Bi-GRU模型，对语句中的每一个中文字符输入进行字符级embedding以及加入字符级Attention；
所述输出层，对每个输入序列输出一个关系；
所述语句级Attention层，针对每个关系类别的所有语句进行向量化，并加入语句级Attention，同时对关系类别设置权重；
所述关系类别层，输出label结果；
所述权重，代表该语句包含着该关系的可能性。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述字符级Attention，
将由Bi-GRU模型产生的输出向量定义为
Figure 63018DEST_PATH_IMAGE001
，其中
Figure 91017DEST_PATH_IMAGE002
为语句长度；
语句的关系类别
Figure 272600DEST_PATH_IMAGE003
由所述输出向量的加权和构成：
Figure 462273DEST_PATH_IMAGE004
，
Figure 362095DEST_PATH_IMAGE005
，
Figure 928206DEST_PATH_IMAGE006
，
最后得到用于分类的语句对表示：
Figure 167557DEST_PATH_IMAGE007
。
进一步地，所述的一种面向医学领域的关系抽取方法，其特征在于，所述语句级Attention，
给定包含一个实体和n个语句的集合
Figure 528132DEST_PATH_IMAGE008
,将n个语句向量化表示为
Figure 915251DEST_PATH_IMAGE009
，加入语句级Attention时，权重定义为：
Figure 285052DEST_PATH_IMAGE010
，
Figure 175648DEST_PATH_IMAGE011
，
Figure 910385DEST_PATH_IMAGE012
，
其中，函数
Figure 519221DEST_PATH_IMAGE013
体现了语句对于该关系的匹配程度，
Figure 692714DEST_PATH_IMAGE014
为语句向量，
Figure 703395DEST_PATH_IMAGE015
表示权重
Figure 671351DEST_PATH_IMAGE016
的对角矩阵，即矩阵
Figure 705166DEST_PATH_IMAGE015
的主对角线元素为权重
Figure 416770DEST_PATH_IMAGE016
的元素值，其他位置的元素均为0；
Figure 281958DEST_PATH_IMAGE017
代表该关系的向量；
得到语句集合向量后，再通过一层网络得到语句对表示：
Figure 420815DEST_PATH_IMAGE018
；
其中，
Figure 941927DEST_PATH_IMAGE019
是所有实体关系的向量所组成的矩阵，
Figure 191642DEST_PATH_IMAGE020
为随机初始化的偏置向量。
以上所述仅为所述的实施例，并非因此限制本所述的专利范围，凡是利用所述说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在所述的专利保护范围内。

Claims (3)

1.一种面向医学领域的关系抽取方法，包括：
S1：设置关系抽取模型的超参数，包括：词向量大小、关系类别数目、GRU神经元数目、语句最大长度和位置编码最大长度；
S2：获取待抽取关系的语句；
S3：对待抽取关系的语句进行向量化，得到语句向量化结果；
S4：将语句向量化结果输入关系抽取模型；
S5：得到关系抽取结果；
所述待抽取关系的语句，由用户输入，格式为：
实体1实体2语句，
所述实体及语句间使用空格进行间隔；
所述对待抽取关系的语句进行向量化，包括：
S31：读取词向量表并进行编码，用字典储存；
S32：对关系类别进行编码，用字典储存；
S33：根据语句最大长度创建空列表；
S34：获取空字符编码以及待抽取关系的语句中实体1、实体2与当前位置的位置编码；
S35：按词对待抽取关系的语句进行遍历，若该词不在词向量表中，则将原有的空字符编码替换为未登录字符编码；若该词在词表中，则将原有的空字符编码替换为该词在词向量表中所对应的编码；
S36：得到待抽取关系的语句每个词对应编码的向量、待抽取关系的语句中每个位置对应实体1的向量、待抽取关系的语句中每个位置对应实体2的向量；
所述关系抽取模型，包括：
输入层、Bi-GRU+字符级Attention层、输出层、语句级Attention层和关系类别层；
所述输入层，输入格式为句子；
所述Bi-GRU+字符级Attention层，选择Bi-GRU模型，对语句中的每一个中文字符输入进行字符级embedding以及加入字符级Attention；
所述输出层，对每个输入序列输出一个关系；
所述语句级Attention层，针对每个关系类别的所有语句进行向量化，并加入语句级Attention，同时对关系类别设置权重；
所述关系类别层，输出label结果；
所述权重，代表该语句包含着该关系的可能性。
2.如权利要求1所述的一种面向医学领域的关系抽取方法，其特征在于，所述字符级Attention，
将由Bi-GRU模型产生的输出向量定义为
Figure 35661DEST_PATH_IMAGE001
，其中
Figure 636407DEST_PATH_IMAGE002
为语句长度；
语句的关系类别
Figure 693224DEST_PATH_IMAGE003
由所述输出向量的加权和构成：
Figure 240880DEST_PATH_IMAGE004
；
Figure 4437DEST_PATH_IMAGE005
；
Figure 369559DEST_PATH_IMAGE006
；
最后得到用于分类的语句对表示：
Figure 523460DEST_PATH_IMAGE007
。
3.如权利要求1所述的一种面向医学领域的关系抽取方法，其特征在于，所述语句级Attention，
给定包含一个实体和n个语句的集合
Figure 671545DEST_PATH_IMAGE008
,将n个语句向量化表示为
Figure 853389DEST_PATH_IMAGE009
，加入语句级Attention时，权重定义为：
Figure 264779DEST_PATH_IMAGE010
；
Figure 968293DEST_PATH_IMAGE011
；
Figure 716806DEST_PATH_IMAGE012
；
其中，函数
Figure 658217DEST_PATH_IMAGE013
体现了语句对于该关系的匹配程度，
Figure 37246DEST_PATH_IMAGE014
为语句向量，
Figure 290373DEST_PATH_IMAGE015
表示权重
Figure 780260DEST_PATH_IMAGE016
的对角矩阵，即矩阵
Figure 45019DEST_PATH_IMAGE015
的主对角线元素为权重
Figure 594949DEST_PATH_IMAGE016
的元素值，其他位置的元素均为0；
Figure 600951DEST_PATH_IMAGE017
代表该关系的向量；
得到语句集合向量后，再通过一层网络得到语句对表示：
Figure 832213DEST_PATH_IMAGE018
；
其中，
Figure 279375DEST_PATH_IMAGE019
是所有实体关系的向量所组成的矩阵，
Figure 295479DEST_PATH_IMAGE020
为随机初始化的偏置向量。
CN202111383236.4A 2021-11-22 2021-11-22 一种面向医学领域的关系抽取方法 Active CN114048727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111383236.4A CN114048727B (zh) 2021-11-22 2021-11-22 一种面向医学领域的关系抽取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111383236.4A CN114048727B (zh) 2021-11-22 2021-11-22 一种面向医学领域的关系抽取方法

Publications (2)

Publication Number Publication Date
CN114048727A CN114048727A (zh) 2022-02-15
CN114048727B true CN114048727B (zh) 2022-07-29

Family

ID=80210454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111383236.4A Active CN114048727B (zh) 2021-11-22 2021-11-22 一种面向医学领域的关系抽取方法

Country Status (1)

Country Link
CN (1) CN114048727B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145120A (zh) * 2018-07-02 2019-01-04 北京妙医佳信息技术有限公司 医学健康领域知识图谱的关系抽取方法及系统
CN111078889A (zh) * 2019-12-20 2020-04-28 大连理工大学 一种基于多种实体注意力和改进预训练语言模型的药物间关系抽取方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160350653A1 (en) * 2015-06-01 2016-12-01 Salesforce.Com, Inc. Dynamic Memory Network
KR102203065B1 (ko) * 2019-09-03 2021-01-14 숭실대학교산학협력단 트리플 검증 장치 및 방법
CN112818676B (zh) * 2021-02-02 2023-09-26 东北大学 一种医学实体关系联合抽取方法
CN113255320A (zh) * 2021-05-13 2021-08-13 北京熙紫智数科技有限公司 基于句法树和图注意力机制的实体关系抽取方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145120A (zh) * 2018-07-02 2019-01-04 北京妙医佳信息技术有限公司 医学健康领域知识图谱的关系抽取方法及系统
CN111078889A (zh) * 2019-12-20 2020-04-28 大连理工大学 一种基于多种实体注意力和改进预训练语言模型的药物间关系抽取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于双重注意力机制的渔业标准实体关系抽取;杨鹤 等;《农业工程学报》;20210731;第37卷(第14期);第204-212页 *

Also Published As

Publication number Publication date
CN114048727A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
CN111738004B (zh) 一种命名实体识别模型的训练方法及命名实体识别的方法
Conneau et al. Very deep convolutional networks for natural language processing
CN110196906B (zh) 面向金融行业的基于深度学习文本相似性检测方法
CN107943784B (zh) 基于生成对抗网络的关系抽取方法
CN110502626B (zh) 一种基于卷积神经网络的方面级情感分析方法
CN113535953B (zh) 一种基于元学习的少样本分类方法
CN112699222B (zh) 基于量子启发式神经网络的文本分类方法及邮件分类方法
CN112101009A (zh) 一种基于知识图谱的红楼梦人物关系框架相似度评判方法
CN113723083A (zh) 基于bert模型的带权消极监督文本情感分析方法
Zhang et al. Exploring deep recurrent convolution neural networks for subjectivity classification
CN108875024B (zh) 文本分类方法、系统、可读存储介质及电子设备
Zhang et al. Description-enhanced label embedding contrastive learning for text classification
CN111723572B (zh) 基于CNN卷积层和BiLSTM的中文短文本相关性度量方法
CN113204640A (zh) 一种基于注意力机制的文本分类方法
CN116720519B (zh) 一种苗医药命名实体识别方法
CN114048727B (zh) 一种面向医学领域的关系抽取方法
CN117390131A (zh) 一种用于多领域的文本情感分类方法
WO2023159759A1 (zh) 模型的训练方法、情感消息生成方法和装置、设备、介质
Deng et al. Zero-shot learning based on quality-verifying adversarial network
CN115762706A (zh) 一种基于深度学习的药物表征方法及存储介质
CN113434698B (zh) 基于全层级注意力的关系抽取模型建立方法及其应用
CN114444467A (zh) 一种中医文献内容分析方法和装置
CN113282746B (zh) 一种网络媒体平台变体评论对抗文本生成方法
CN114911940A (zh) 文本情感识别方法及装置、电子设备、存储介质
CN115544245A (zh) 一种基于无监督学习的用户攻击性评论风格转换方法

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
GR01 Patent grant
GR01 Patent grant