导读:本文包含了实体关系模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:实体,神经网络,关系,模型,藏文,卷积,学术。
实体关系模型论文文献综述
张玉坤,刘茂福,胡慧君[1]（2019）在《基于联合神经网络模型的中文医疗实体分类与关系抽取》一文中研究指出近年来,医疗健康领域的实体分类与关系抽取引起了广泛关注。以往工作大多采用流水线模型,此类模型容易忽略任务间联系并造成错误传播,而联合学习则能够很好地避免这2个问题。为此,把卷积神经网络与支持向量机、条件随机场相结合,构建了联合神经网络模型。在此模型基础上,以参数共享的方式,分别通过任务联合、模型联合以及特征联合对实体分类与关系抽取2个任务进行联合学习,在药品说明书语料库中取得了非常不错的效果,实体分类和关系抽取的F值分别达到了98.0%和98.3%。实验表明,联合神经网络模型对于实体分类和关系抽取是非常有效的。(本文来源于《计算机工程与科学》期刊2019年06期）
孙媛,王丽客,郭莉莉[2]（2019）在《基于改进词向量GRU神经网络模型的藏语实体关系抽取》一文中研究指出互联网数据的爆炸式增长,使得研究热点更多转向Web内容结构化分析。如果将藏语知识以结构化形式表示,那么将会有利于藏语知识的结构化分析和深度挖掘。该文提出了一种优化词向量的GRU神经网络模型进行藏语实体关系抽取的方法。在模型的训练中,加入了优化的词向量,在传统的词向量模型中结合藏语音节向量、音节位置向量、词性向量等特征对词向量进一步优化,并且选取了藏语词汇特征和藏语句子特征。实验证明,通过使用改进词向量F_1值达到了78.43%。(本文来源于《中文信息学报》期刊2019年06期）
丁琛[3]（2019）在《基于神经网络的实体识别和关系抽取的联合模型研究》一文中研究指出随着信息时代的到来,网络上的信息越来越呈现出指数形式爆发增长的态势,在这其中,文本信息占据了相当重要的组成部分,如何准确高效的获取知识成为亟待解决的问题。实体识别和关系抽取的联合模型的主要目标是同时从非结构化的文本中抽取实体类别和它们之间的语义关系。作为自然语言处理技术的底层技术,对于上层的应用有着显着的意义。本文围绕着实体识别和关系抽取的联合模型进行了深入的研究,主要工作内容和阶段成果如下:(1)复现了基于神经网络的实体识别和关系抽取的联合模型基线系统,并对当前模型可能存在的问题进行了讨论。(2)提出了一种基于参数共享的双向长短期记忆网络-图卷积神经网络的混合神经网络结构。模型通过引入句法的图卷积神经网络,用于更好的抽取句子中的关系。在公开数据集上,这个联合模型取得了相较之前工作更好的性能。(3)提出了一种基于特殊标注策略的融合自注意力机制的联合模型,将信息抽取任务转化为序列标注任务,通过自注意力子层学习句子内部的词依赖关系,在公开数据集上也取得了较好的表现。(4)初步搭建了基于实体识别关系抽取联合模型的知识图谱构建系统,实现了从非结构化文本中抽取叁元组的解决方案。(本文来源于《北京邮电大学》期刊2019-05-31）
刘嘉树[4]（2019）在《实体关系抽取模型研究与性能提升》一文中研究指出自由文本中包含大量非结构化的重要信息,这些信息难以被直接利用。实体关系抽取是一项将非结构化文本中的信息提取并形成结构化信息的重要技术。近年来,机器学习技术和实体关系抽取的结合得到了研究者们的高度重视。有监督的机器学习方法需要人工标注数据,而人工的高昂成本是阻碍这一研究的重要因素。利用弱监督学习的实体关系抽取又存在错误标注问题,以及机器学习模型自身的的过拟合问题。针对这些问题,本文的主要工作有:针对传统的基于深度学习的方法使用较为浅层的网络作为句子编码器,而对于表达能力较弱的问题,本文设计并实现了一种基于深层次激发-压缩卷积神经网络模型,进行端到端的实体关系抽取。结合软标签的方式,减轻远程监督数据集中的噪音现象,提升模型性能。针对远程监督数据集中样本不均衡和难易样本的问题,本文改进了深度学习中的损失函数,使用聚焦损失函数替代交叉熵函数。聚焦损失函数既能够根据样本的均衡程度对样本加权,又能够根据样本学习的难易程度对损失函数进行加权,从而提升作为分类任务的实体关系抽取模型的性能。针对卷积神经网络应用在自然语言处理任务中常用的最大值池化方式会丢失位置信息等问题,本文设计并实现了双重池化方式。同时针对深度学习容易过拟合的问题,本文还采用了几种适应于弱监督学习的模型正则化方法,包括随机深度算法、随机字舍弃算法和对抗训练。这些方式均不同程度上减轻了过拟合现象,提升了模型性能。(本文来源于《北京邮电大学》期刊2019-05-28）
范本贵[5]（2019）在《基于传染病模型的生鲜实体零售竞合关系网络研究》一文中研究指出生鲜实体零售商店作为生鲜农产品流通的关键载体,担负着周转生鲜农产品流通和保障居民日常生活消费的重要功能,然而随着市场的发展,生鲜实体零售的竞争愈发剧烈,并且商店之间依然缺乏合作,由此产生诸多的问题:竞争的加剧,商家逐利性驱动的自发建设,导致供过于求;商店间缺少合作,不断争夺消费人流,导致对消费人流的控制性减弱;生鲜实体零售竞争合作关系的混乱,导致运营商利润难以最大化。为此,本文以生鲜实体零售的竞合关系为切入点,进行详尽的分析与研究,基于此,为实际构建合理的生鲜实体零售网络提供借鉴与参考。生鲜实体零售商店的竞合关系是基于自身竞争力的传播,形成的对消费者的吸引,这一过程符合病毒在人群中的传播规律,而多个实体零售商店的竞争与合作类似多种病毒在人群中的传播与相互免疫。因此本文采取传染病模型进行研究,在传统SIS传染病模型基础上,引入多种竞争因素,构建基于竞合性的生鲜零售传染病模型,并以两个实例进行仿真,探讨竞合关系的动态变化对消费者吸引力的影响,并对生鲜零售网络的构建提出相关建议。研究结果表明,(1)独立存在的生鲜零售商店,对于区域内流量的吸引力不足;(2)弱势一方吸引力的提高造成零售群内竞争性的加剧,有利于增加区域流量的粘性,吸引更多消费者;(3)相对于竞争性,生鲜零售群的内部合作的提高,能够吸引更多的消费者。因此,在构建生鲜零售网络时,首先,根据各竞争要素,合理评估生鲜零售的吸引力大小,其次,动态调整区域内生鲜零售商店竞合关系,促进区域内生鲜零售商店的共生,再次,重点提高零售群内弱势一方的吸引力,最后,协调区域内生鲜零售商店的竞合关系,构建具备良性竞合、分布合理的生鲜零售网络。(本文来源于《华侨大学》期刊2019-05-27）
陈占龙,叶文[6]（2019）在《复杂面实体拓扑关系的精细化模型》一文中研究指出简单空间对象经过特定组合可形成复杂空间实体。现有的拓扑关系模型对复杂边界间的复杂交互的表达能力不足,很难精确地对复杂空间面实体间拓扑关系的不同形式进行区分。顾及复杂空间面实体间的交互细节,本文对其拓扑关系进行精细化建模。首先引入线面实体间拓扑关系的元拓扑关系,进而利用元拓扑关系与重迭面积对简单面实体间的边界交集进行精细化描述,对洞边界遍历定义和洞中面与洞关系的定义,实现对复杂空间面实体的拓扑关系进行精确地区分与表达,最后对复杂面实体边界交集的5种基础拓扑关系描述模型进行归纳总结。通过5种基础拓扑关系描述模型的迭加,实现对复杂面实体各子部分之间关系细节的精细化表达。(本文来源于《测绘学报》期刊2019年05期）
陈佳沣,滕冲[7]（2019）在《基于强化学习的实体关系联合抽取模型》一文中研究指出针对现有的基于远程监督的实体和关系抽取方法存在着标签噪声问题,提出了一种基于强化学习的实体关系联合抽取方法。该模型有两个模块:句子选择器模块和实体关系联合抽取模块。首先,句子选择器模块选择没有标签噪声的高质量句子,将所选句子输入到实体关系联合抽取模型;然后,实体关系联合抽取模块采用序列标注方法对输入的句子进行预测,并向句子选择器模块提供反馈,指导句子选择器模块挑选高质量的句子;最后,句子选择器模块和实体关系联合抽取模块同时训练,将句子选择与序列标注一起优化。实验结果表明,该模型在实体关系联合抽取中的F1值为47.3%,与CoType为代表的联合抽取模型相比,所提模型的F1值提升了1%;与LINE为代表的串行模型相比,所提模型的F1值提升了14%。结果表明强化学习结合实体关系联合抽取模型能够有效地提高序列标注模型的F1值,其中句子选择器能有效地处理数据的噪声。(本文来源于《计算机应用》期刊2019年07期）
李冠宇,安敬民[8]（2019）在《面向物联网的异构实体间关系服务模型》一文中研究指出物联网中的实体大多以异构形式存在,解决异构问题是推进物联网发展的重要因素.为此,在分析了实体及实体上载到网络中信息的特点后,基于Agent提出一种异构实体关系服务模型.该模型具有实体信息数据处理和构建实体服务逻辑两种功能,利用提出的全新的实体物间动态关系计算公式将异构数据转化为物间关系紧密度(值),并依此生成了A-gent服务序列,结合二分图理论实现物联网环境下的Agent服务逻辑;屏蔽了原本因实体和其信息的异构而使得其无法正常交互通信的缺点,实体通过模型中与之对应的Agent进行交互,并在已构建的服务逻辑下支配Agent;最后对该模型进行了仿真实验,结果表明其可满足物联网环境中的用户服务需求,在数据更新和服务准确率及冲突的处理上要优于传统的本体语义技术对异构问题的处理结果.(本文来源于《湖南大学学报(自然科学版)》期刊2019年02期）
王璐,马峥[9]（2019）在《学术实体合作关系测度模型研究》一文中研究指出【目的/意义】学术实体合作关系评估对于科技管理者整合创新资源、提高创新效率,科研人员发现潜在合作对象具有很强的现实意义。【方法/过程】本文以合着科技文献数量作为关键评价指标,利用作者、研究机构、国家叁类实体间的合作关系建立多层合作关系网络,提出支持同层级和跨层级实体间合作范围和合作强度的测度方法。【结果/结论】对我国双一流高校国际合作情况进行实证,验证了测度模型的有效性。(本文来源于《情报科学》期刊2019年02期）
夏天赐,孙媛[10]（2018）在《基于联合模型的藏文实体关系抽取方法研究》一文中研究指出从无结构文本中抽取实体与实体之间的关系是自然语言处理领域的重要研究内容,同时也为构建知识图谱、问答系统等应用提供重要支撑。基于联合模型的实体关系抽取任务将实体识别和关系抽取同时进行,克服了传统实体关系抽取任务中先识别句子中的实体,然后再进行实体关系判断这两次任务中的错误累加。该文针对藏文语料匮乏、实体识别准确率不高等问题,提出了基于联合模型抽取藏文实体关系的方法。基于藏文实体关系抽取任务,提出以下方案:(1)针对藏文分词准确率不高的问题,对藏文进行字级和词级两种方式进行预处理,并给出对比实验,结果表明采用字级处理方式较词级处理方式效果有所提高。(2)藏文是一种语法规则比较强的语言,名词、格助词等能明确指示句子各组块之间的语法和语义结构关系,因此该文将藏文的词性标注特征加入到藏文的字词向量中,实验结果证明了方法的有效性。(3)该文借鉴了联合模型处理的优势,提出基于联合模型处理方式,采用端到端的BiLSTM框架将藏文实体关系抽取任务转变为藏文序列标注的问题,实验结果表明,该文的方法较传统的基于藏文处理方式,如SVM算法和LR算法,准确率提高了30%～40%。(本文来源于《中文信息学报》期刊2018年12期）
实体关系模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
互联网数据的爆炸式增长,使得研究热点更多转向Web内容结构化分析。如果将藏语知识以结构化形式表示,那么将会有利于藏语知识的结构化分析和深度挖掘。该文提出了一种优化词向量的GRU神经网络模型进行藏语实体关系抽取的方法。在模型的训练中,加入了优化的词向量,在传统的词向量模型中结合藏语音节向量、音节位置向量、词性向量等特征对词向量进一步优化,并且选取了藏语词汇特征和藏语句子特征。实验证明,通过使用改进词向量F_1值达到了78.43%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
实体关系模型论文参考文献
[1].张玉坤,刘茂福,胡慧君.基于联合神经网络模型的中文医疗实体分类与关系抽取[J].计算机工程与科学.2019
[2].孙媛,王丽客,郭莉莉.基于改进词向量GRU神经网络模型的藏语实体关系抽取[J].中文信息学报.2019
[3].丁琛.基于神经网络的实体识别和关系抽取的联合模型研究[D].北京邮电大学.2019
[4].刘嘉树.实体关系抽取模型研究与性能提升[D].北京邮电大学.2019
[5].范本贵.基于传染病模型的生鲜实体零售竞合关系网络研究[D].华侨大学.2019
[6].陈占龙,叶文.复杂面实体拓扑关系的精细化模型[J].测绘学报.2019
[7].陈佳沣,滕冲.基于强化学习的实体关系联合抽取模型[J].计算机应用.2019
[8].李冠宇,安敬民.面向物联网的异构实体间关系服务模型[J].湖南大学学报(自然科学版).2019
[9].王璐,马峥.学术实体合作关系测度模型研究[J].情报科学.2019
[10].夏天赐,孙媛.基于联合模型的藏文实体关系抽取方法研究[J].中文信息学报.2018
论文知识图
