CN116522942A - 一种基于字符对的中文嵌套命名实体识别方法 - Google Patents

一种基于字符对的中文嵌套命名实体识别方法 Download PDF

Info

Publication number
CN116522942A
CN116522942A CN202310505841.7A CN202310505841A CN116522942A CN 116522942 A CN116522942 A CN 116522942A CN 202310505841 A CN202310505841 A CN 202310505841A CN 116522942 A CN116522942 A CN 116522942A
Authority
CN
China
Prior art keywords
named entity
character
feature
representation
entity recognition
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
CN202310505841.7A
Other languages
English (en)
Inventor
陈丽娜
季夏衍
郭鸿杰
沈方瑶
张尧
高宏
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.)
Zhejiang Normal University CJNU
Original Assignee
Zhejiang Normal University CJNU
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 Zhejiang Normal University CJNU filed Critical Zhejiang Normal University CJNU
Priority to CN202310505841.7A priority Critical patent/CN116522942A/zh
Publication of CN116522942A publication Critical patent/CN116522942A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种基于字符对的中文嵌套命名实体识别方法，属于自然语言处理中的命名实体识别技术领域。该方法通过预测句子中字符对的预定义关系，并根据这些关系来识别嵌套的命名实体。其中该方法包括：利用带有语言学特征的大规模预训练语言模型和双向长短期记忆网络向量化文本，提高字符表示质量；结合多特征融合和金字塔挤压注意力模块，充分捕捉文本内复杂的深层语义信息，关注关键特征；针对类别不平衡问题，采用基于PolyLoss的损失函数训练模型，提高模型的泛化能力和预测准确性。有效解决了现有中文嵌套命名实体中存在的语言多样性、中文语言复杂性、实体类别不平衡等问题。

Description

一种基于字符对的中文嵌套命名实体识别方法
技术领域
本发明属于自然语言处理中的命名实体识别技术领域，具体涉及一种基于字符对的中文嵌套命名实体识别方法。
背景技术
命名实体识别任务是自然语言处理领域的基础任务之一。其主要目的是确定非结构化文本中命名实体的边界和类型，为知识图谱、问答系统和关系抽取等自然语言处理下游任务提供关键的实体信息。
根据命名实体的边界是否存在重叠，命名实体识别可分为扁平命名实体识别和嵌套命名实体识别两种。现有的大多数命名实体识别模型难以准确识别这种复杂的嵌套命名实体，也无法捕捉文本中具体而详细的实体信息。因此，识别嵌套的命名实体一直是一项极具挑战性的任务。
过去关于嵌套命名实体识别的研究主要集中在英文文本，由于中文和英文之间存在着明显的差异，中文嵌套命名实体识别的难点区别于英文嵌套命名实体识别。中文嵌套命名实体识别存在语言多样性、复杂性和实体类别数量不均衡等问题。随着语言文化不断交融更新，中文各领域参考资料和技术文档逐渐趋向语言多样化。例如中英文混合、数字符号等的表达，增加了中文嵌套命名实体识别的难度。中文文本中通常存在大量的嵌套命名实体、多层嵌套和一词多义现象。实际场景中数据实体的类别数量通常呈长尾分布，少部分实体类型包含大量样本数据，而大部分实体类型只有少量样本数据。这种不均衡分布会严重影响模型的识别性能。基于上述难点，很多能在英文文本上取得良好效果的模型，在中文文本中却难以准确全面识别出命名实体。
发明内容
本发明的目的是提供一种基于字符对的中文嵌套命名实体识别方法，通过预测的字符对之间的关系来识别句子中的嵌套命名实体，以提高中文嵌套命名实体识别准确率。
本发明的技术方案如下：
一种基于字符对的中文嵌套命名实体识别方法，所述方法为：
获取自然语言文本，将自然语言文本输入到命名实体模型中，获得所述自然语言文本中的命名实体信息；所述命名实体模型由输入层、编码层、特征提取层和解码层构成。
进一步的，所述方法具体步骤为：
S1获得自然语言文本，将所述自然语言文本输入到编码层对字符进行编码，获得所述自然语言文本的向量表示；
S2将S1获得的向量输入到特征提取层提取字符对间关系的特征；
S3基于字符对间关系的特征预测字符对间的关系，并通过字符间的关系解码文本中的实体信息。
进一步的，所述S1具体为：
S11将自然语言文本输入大规模预训练语言模型LERT，获得句子的向量化表示。
S12将句子的向量化表示输入至双向长短期记忆网络，获得句子最终的向量化表示。
进一步的，所述特征提取层由条件归一化层、多特征表示和金字塔挤压注意力模块构成。
进一步的，所述S2具体为：
S21通过条件归一化层，生成字符对之间的网格表示；字符对间的网格表示可以看作是一个三维矩阵V。我们预定义三种字符对之间的关系：None，Next Neighboring Char(NNC)和Tail-Head Char-*(THC-*，*代表实体类型)。None表明两个字符之间没有关系；NNC判断一个实体中的两个字符是否相邻；而THC-*关系解决实体边界和类型检测问题，THC表明两个字符是否分别是尾部边界和头部边界，*表示实体类型。条件归一化层生成的字符嵌入能够表示字符间关系的方向性。
S22通过多特征融合，由多特征表示实现字符对间多方面特征的提取；
S23通过金字塔挤压注意力模块，对输入的多特征表示提取字符对间多方面特征。
进一步的，多特征表示E由距离嵌入ED、区域嵌入ER和字符嵌入V在第三维度拼接融合获得。
所述距离嵌入表示字符对中的两个字符的相对位置关系；
所述区域嵌入表示网格中的字符所在的上下三角区域的信息；
所述字符嵌入为输入文本经过向量化后又经过条件归一化层后获得。
进一步的，所述金字塔挤压注意力模块由对挤压和拼接模块和特征提取权重模块构成。
进一步的，S23具体为：
对输入的多特征表示，所述金字塔挤压注意力模块使用对挤压和拼接模块获得多尺度的特征图；随后使用特征提取权重模块获得各个分支的注意力向量；而后对各分支的注意力向量归一化，通过Softmax函数获得各个分支特征的注意力权重；最后将每个分支注意力权重在第三维度进行拼接，形成多尺度通道权重；将多尺度的特征图与注意力权重逐通道相乘，获得多尺度的特征表示。
进一步的，所述S3具体为：
通过多层感知机(Multilayer Perceprtron，MLP)计算得到字符对间的关系得分yi ′ j，随后使用Softmax函数计算得到字符对属于各个类别的概率模型的预测结果是字符对之间的关系，字符和关系可以构成一个有向图，其中字符是节点，关系是边。通过识别有向图中的路径来解码预测出的对应实体。
进一步的，所述方法还包括：利用基于PolyLoss的损失函数训练所述命名实体模型；
所述损失函数为：
L＝∈(1-t)+CE
其中LCE表示交叉熵损失函数，Pt表示模型对目标真实类别的预测概率，∈表示可调节的超参数。
本发明的技术效果：
1、针对中文文本的语言多样性，引入具有语言学特征的大规模预训练语言模型模型和双向长短期记忆网络将文本向量化，提升字符表示质量。
2、针对中文语言的复杂性，结合多特征表示和金字塔挤压注意力模块，充分利用文本深层次信息，赋予模型聚焦于关键特征的能力。
3、针对中文文本的实体类别数量分布不均衡，呈长尾分布的问题，在Poly-1框架基础上设计损失函数，增强模型的泛化能力和识别准确率。
附图说明
附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了本发明的结构示意图；
图2示出了本发明的金字塔挤压注意力模块的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，基于字符对的中文嵌套命名实体识别方法，具体包括以下步骤；
步骤1、编码层部分，将自然语言文本转换为向量表示，利用带有语言学特征的大规模预训练语言模型和双向长短期记忆网络对文本字符进行编码；
由于中文文本中存在显著的语言多样性，在单一语料库上训练的语言模型难以充分提取中文文本内的信息。通过融合多种语言特征的预训练语言模型LERT将字符转换为向量，提高模型对文本信息的理解。
如公式(1)，给定一个输入句子C＝[c1,c2,…,cn]，输入预训练语言模型LERT模块得到向量化后的文本X＝[x1,x2,…,xn]。
X＝LERT(C) (1)
为进一步增强模型对文本上下文的理解，我们采用双向长短期记忆网络(Bidirectional Long Short-Term Memory，BiLSTM)生成结果 其中dh是字符表示的维度，如公式(2)所示。
H＝BiLSTM(X) (2)
步骤2、特征提取层部分，包括条件归一化层、多特征表示和金字塔挤压注意力模块。该部分提取字符对间关系的特征，通过结合多特征融合和金字塔挤压注意力模块，为字符对间关系的预测奠定基础。
步骤2.1、通过条件归一化层(Conditional Layer Normalization，CLN)，生成字符对之间的网格表示来预测字符对间的关系。
字符对间的网格表示可以看作是一个三维矩阵其中Vij表示字符对(ci,cj)的表示，N为每个批次的字符数。由于NNW和THW关系都具有方向性，因此字符对(ci,cj)的表示Vij可以看作是ci的表示hi和cj的表示hj的组合，这个组合意味cj是以ci为条件的。如公式 (3)、公式 (4)，CLN以此来计算Vij。其中，hi是产生层归一化增益参数γij＝αhi+α和偏置λij＝βhi+β的条件。
μ和σ分别是hj向量的均值和标准差。其中，dh是字符表示的维度，hjk表示hj的第k维。
步骤2.2、通过多特征融合，由多特征表示实现字符对间多方面特征的提取。
针对中文语言的复杂性，构建有效的字符对的网格表示能够提高字符对关系分类的准确率。多特征表示E由距离嵌入ED、区域嵌入ER和字符嵌入V在第三维度拼接融合获得。距离嵌入表示字符对中的两个字符的相对位置关系。区域嵌入表示网格中的字符所在的上下三角区域的信息。字符嵌入为输入文本经过向量化后又经过条件归一化层后获得。多特征表示E通过特征在第三维度拼接获得，如公式Concat([D；R；])(5)所示。其中，dh是字符表示的维度，dd是距离嵌入的维度，dr是区域嵌入的维度，de是多特征表示的维度，Concat表示连接运算符。
E＝Concat([ED；ER；V]) (5)
步骤2.3、通过金字塔挤压注意力模块，提高模型关注多特征表示中的重点特征信息以及捕捉字符间的交互信息的能力。如图2所示，金字塔挤压注意力模块包括对挤压和拼接(Squeeze and Concat，SPC)模块和特征提取权重(Squeeze Extract Weight，SEWeight)模块。
对于输入的多特征表示对其维度进行置换得到在SPC模块中，有S个独立的分支，每个分支的输入特征表示的通道数为de，每个分支通过不同尺寸的卷积核对通道数进行压缩，提取不同尺度的空间信息。在特征提取的过程中，对特征图进行分组卷积处理。多尺度特征提取函数如公式(6)所示。其中，Ki＝2×(i+1)+1，组数G与卷积核K的大小有关。/>为特征提取后得到的各分支特征图，其中de＝×M′。
Fi＝Conv(Ki×Ki,Gi)(E),i＝1,2,…,S (6)
每个分支独立地学习特征信息，并与局部区域建立跨通道互动。如公式(7)所示，将从S个分支获得的特征图沿通道维度拼接起来，得到初始多尺度融合特征图其中，Concat表示连接运算符。
F＝Concat([F1,F2,…,FS]) (7)
随后使用SEWeight模块获得各个分支的注意力向量Z。每个分支特征图Fi被输入到通道注意模块，如公式(8)，得到每个分支特征图的注意向量Zi。
Zi＝SEWeight(Fi),i∈1,2,…,S (8)
而后如公式(9)所示，对各分支的注意力向量Zi归一化，通过Softmax获得各个分支特征的注意力权重W。其中，Wi∈RM′×1×1表示每个分支特征图的注意权重。
Wi＝Softmax(Zi),i∈1,2,…,S (9)
整个多尺度通道权重是由各分支的注意力权重拼接得到的，如公式(10)，将得到的多尺度融合通道权重W与多尺度融合特征图F逐个通道相乘，得到具有自适应的通道权重的多尺度融合特征图MF。
MF＝Concat([W1,W2,…,WS])⊙F (10)
其中，Concat表示连接运算符，⊙代表基于通道的乘积操作。
步骤3、解码层部分，模型预测字符对间的关系，并通过字符间的关系解码文本中的实体信息。
如公式(11)所示，模型通过多层感知机(Multilayer Perceprtron，MLP)计算得到字符对间的关系得分y′ij，随后如公式(12)所示，使用Softmax函数计算得到字符对属于各个类别的概率模型的预测结果是字符对之间的关系，字符和关系可以构成一个有向图，其中字符是节点，关系是边。有向图中的每条路径代表一个对应的实体。
步骤4、模型训练部分，采用基于PolyLoss的损失函数训练模型，提高模型的泛化能力和预测准确性。
我们的训练目标是最小化L，其形式化表示为公式(13)，其中LCE表示交叉熵损失函数，Pt表示模型对目标真实类别的预测概率，∈表示可调节的超参数。
在公式(14)、公式(15)中，N表示句子中的字符数，yij表示字符对的真实关系标签的二进制向量，表示预测的概率向量，r表示预先定义的关系集合/>中的第r个关系。
L＝∈(1-Pt)+LCE (13)
以上所述，仅为本发明优选的具体实施方式，但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于字符对的中文嵌套命名实体识别方法，其特征在于，
获取自然语言文本，将自然语言文本输入到命名实体模型中，获得所述自然语言文本中的命名实体信息；所述命名实体模型由输入层、编码层、特征提取层和解码层构成。
2.根据权利要求1所述的命名实体识别方法，其特征在于，所述方法具体步骤为：
S1获得自然语言文本，将所述自然语言文本输入到编码层对字符进行编码，获得所述自然语言文本的向量表示；
S2将S1获得的向量输入到特征提取层提取字符对间关系的特征；
S3基于字符对间关系的特征预测字符对间的关系，并通过字符间的关系解码文本中的实体信息。
3.根据权利要求2所述的命名实体识别方法，其特征在于，所述S1具体为：
S11将自然语言文本输入大规模预训练语言模型LERT，获得句子的向量化表示。
S12将句子的向量化表示输入至双向长短期记忆网络，获得句子最终的向量化表示。
4.根据权利要求2所述的命名实体识别方法，其特征在于，所述特征提取层由条件归一化层、多特征表示和金字塔挤压注意力模块构成。
5.根据权利要求2所述的命名实体识别方法，其特征在于，所述S2具体为：
S21通过条件归一化层，生成字符对之间的网格表示；
S22通过多特征融合，由多特征表示实现字符对间多方面特征的提取；
S23通过金字塔挤压注意力模块，对输入的多特征表示提取字符对间多方面特征。
6.根据权利要求5所述的命名实体识别方法，其特征在于，所述多方面特征多特征表示由距离嵌入、区域嵌入和字符嵌入在第三维度拼接融合获得；
所述距离嵌入表示字符对中的两个字符的相对位置关系；
所述区域嵌入表示网格中的字符所在的上下三角区域的信息；
所述字符嵌入为输入文本经过向量化后又经过条件归一化层后获得。
7.根据权利要求5所述的命名实体识别方法，其特征在于，
所述金字塔挤压注意力模块由对挤压和拼接模块和特征提取权重模块构成。
8.根据权利要求5所述的命名实体识别方法，其特征在于，S23具体为：
对输入的多特征表示，所述金字塔挤压注意力模块使用对挤压和拼接模块获得多尺度的特征图；随后使用特征提取权重模块获得各个分支的注意力向量；而后对各分支的注意力向量归一化，通过Softmax函数获得各个分支特征的注意力权重；最后将每个分支注意力权重在第三维度进行拼接，形成多尺度通道权重；将多尺度的特征图与注意力权重逐通道相乘，获得多尺度的特征表示。
9.根据权利要求2所述的命名实体识别方法，其特征在于，所述S3具体为：
通过多层感知机计算得到字符对间的关系得分，随后使用Softmax函数计算得到字符对属于各个类别的概率；预测结果是字符对之间的关系，字符和关系可以构成一个有向图，其中字符是节点，关系是边；有向图中的每条路径代表一个对应的实体。
10.根据权利要求1所述的命名实体识别方法，其特征在于，所述方法还包括：利用基于PolyLoss的损失函数训练所述命名实体模型；
所述损失函数为：
L＝∈(1-t)+CE
其中LCE表示交叉熵损失函数，Pt表示模型对目标真实类别的预测概率，∈表示可调节的超参数。
CN202310505841.7A 2023-05-06 2023-05-06 一种基于字符对的中文嵌套命名实体识别方法 Pending CN116522942A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310505841.7A CN116522942A (zh) 2023-05-06 2023-05-06 一种基于字符对的中文嵌套命名实体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310505841.7A CN116522942A (zh) 2023-05-06 2023-05-06 一种基于字符对的中文嵌套命名实体识别方法

Publications (1)

Publication Number Publication Date
CN116522942A true CN116522942A (zh) 2023-08-01

Family

ID=87406134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310505841.7A Pending CN116522942A (zh) 2023-05-06 2023-05-06 一种基于字符对的中文嵌套命名实体识别方法

Country Status (1)

Country Link
CN (1) CN116522942A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034942A (zh) * 2023-10-07 2023-11-10 之江实验室 一种命名实体识别方法、装置、设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034942A (zh) * 2023-10-07 2023-11-10 之江实验室 一种命名实体识别方法、装置、设备及可读存储介质
CN117034942B (zh) * 2023-10-07 2024-01-09 之江实验室 一种命名实体识别方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
Al-Ayyoub et al. Deep learning for Arabic NLP: A survey
CN110737801B (zh) 内容分类方法、装置、计算机设备和存储介质
CN105631479B (zh) 基于非平衡学习的深度卷积网络图像标注方法及装置
CN111597830A (zh) 基于多模态机器学习的翻译方法、装置、设备及存储介质
CN108664589B (zh) 基于领域自适应的文本信息提取方法、装置、系统及介质
CN113792113A (zh) 视觉语言模型获得及任务处理方法、装置、设备及介质
Chandio et al. Cursive text recognition in natural scene images using deep convolutional recurrent neural network
CN110390363A (zh) 一种图像描述方法
CN114495129B (zh) 文字检测模型预训练方法以及装置
Albattah et al. Intelligent arabic handwriting recognition using different standalone and hybrid CNN architectures
CN111340051A (zh) 图片处理方法、装置及存储介质
CN116522942A (zh) 一种基于字符对的中文嵌套命名实体识别方法
CN114239612A (zh) 一种多模态神经机器翻译方法、计算机设备及存储介质
CN113159071B (zh) 一种跨模态图像-文本关联异常检测方法
Inunganbi et al. Handwritten Meitei Mayek recognition using three‐channel convolution neural network of gradients and gray
Tekir et al. Deep learning: Exemplar studies in natural language processing and computer vision
Javanmardi et al. Caps captioning: a modern image captioning approach based on improved capsule network
CN112307749A (zh) 文本检错方法、装置、计算机设备和存储介质
CN116662924A (zh) 基于双通道与注意力机制的方面级多模态情感分析方法
CN113434721B (zh) 表情包分类方法、装置、计算机设备和存储介质
CN113946683A (zh) 一种知识融合的多模态虚假新闻识别方法及装置
CN111767402A (zh) 一种基于对抗学习的限定域事件检测方法
Hamplová et al. An improved classifier and transliterator of hand-written Palmyrene letters to Latin
Mahdavi Query-Driven Global Graph Attention Model for Visual Parsing: Recognizing Handwritten and Typeset Math Formulas
CN116523032B (zh) 一种图像文本双端迁移攻击方法、装置和介质

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