文本信息抽取指的是在具有指定實體類別的文本實例中找出目標實體和語義關系的過程。雖然知識抽取在自然語言處理領域獲得了長足的發(fā)展,并已有一些知識抽取工具或系統(tǒng)可用于關系抽取,但是大多數(shù)工具和系統(tǒng)抽取的結(jié)果由于不滿足領域知識約束而缺乏可用性�，F(xiàn)有的知識抽取系統(tǒng)無法直接應用于教育領域的知識圖自動生成。因此本文提出了一個用于提取并可視化文本類學習資源中認知價值語義關系的技術框架EVSR,它是由帶條件隨機場層的雙向長短期記憶神經(jīng)網(wǎng)絡（Bidirectional Long Short-Term Memory,BiLSTM-CRF）和分段卷積神經(jīng)網(wǎng)絡（Piecewise Convolutional Neural Networks,PCNN）實現(xiàn)的。在EVSR中,BiLSTM-CRF模型用于提取語義實體,PCNN模型用于識別語義關系。本文還實現(xiàn)了EVSR的原型系統(tǒng),系統(tǒng)可以識別出文本類學習資源中的語義關系實體對。語義關系實體對經(jīng)過合并、推理等操作可以生成一個語義鏈網(wǎng)絡（Sematic Link Network,SLN）。最后SLN可以以概念圖的形式可視化。本文還在準確率,適應性等方面將這兩個模型與前期研... 

【文章來源】：四川師范大學四川省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

知識表征在各個領域的含義[39]

關系，其含義是指存在自然語言文本中，對學生的學習、認知具有幫助的信息。體現(xiàn)在文本中是一些相關的知識點、概念、概念的定義、解釋說明、舉例等，這些語義關系有助于培養(yǎng)學生的知識整合能力。知識抽取和可視化的基礎是通過文本中的一些線索（如關鍵詞“包括”、“定義”、“代表著”、“指的是”、“例如”等）找到這些具有認知價值的信息，并且提取出來，形成結(jié)構(gòu)化的資源，如一個語義鏈接的形式<語義節(jié)點1，關系，語義節(jié)點2>，其中語義節(jié)點可以是一個概念或是與概念相關的文本文本片段，本文將其稱為虛擬概念實體。如圖2.2可以抽取出實例關系的SLN<‘例如：inti,j,k’，exampleof，變量表>。圖2.2虛擬概念實體[47]本文的前期研究在線學習資源構(gòu)建模型[47]中，為不同的學習場景構(gòu)建不同種類的資源關系，但是在實際分析過程中存在語義關系定義不明確，虛擬概念實體識別困難，判斷實體間關系困難的問題，因此本文在已有的語義關系的基礎上，更加明確了語義關系的定義，擴展了語義關系的種類，使得標注和機器識別都能夠更加準確和清楚。根據(jù)關系的有向性，本文將語義關系分為5個雙向相等關系和14個雙向不等關系，語義關系的含義如表2.1所示：

3知識抽取和可視化技術框架EVSR153知識抽取和可視化技術框架EVSR3.1EVSR技術框架結(jié)構(gòu)與概述本文的研究目的在于提出一個知識抽取和可視化技術框架EVSR，并進行實例系統(tǒng)開發(fā)。EVSR框架的結(jié)構(gòu)如圖3.1所示，框架從下到上依次是原子層、語義鏈網(wǎng)絡層和展示層。最底層是原子層，主要由兩個知識抽取模塊構(gòu)成，分別是語義實體識別模塊和語義關系識別模塊。在語義實體識別模塊，本文使用經(jīng)過標注和向量化的文本數(shù)據(jù)來訓練一個BiLSTM-CRF神經(jīng)網(wǎng)絡模型，實現(xiàn)語義實體抽取的功能。語義關系識別模塊主要包括一個PCNN神經(jīng)網(wǎng)絡模型，用于抽取文本中語義關系對。語義鏈網(wǎng)絡層是一個虛擬概念層，數(shù)據(jù)庫查詢的結(jié)果和底層模型的識別結(jié)果都需要合并且生成一個語義鏈網(wǎng)絡后，再由前端頁面可視化。展示層包括交互界面和數(shù)據(jù)庫，交互界面為用戶提供服務和交互，數(shù)據(jù)庫中用于存放語義實體和語義實體對之間的關系，形成知識庫。圖3.1知識可視化技術框架EVSR結(jié)構(gòu)圖3.2語義實體識別模塊語義實體識別模塊的主要功能有兩個，一是訓練一個語義實體識別神經(jīng)網(wǎng)絡模型BiLSTM-CRF，二是利用BiLSTM-CRF模型識別文本中的語義實體。模塊的輸入為非結(jié)構(gòu)化的自然語言文本，輸出是語義實體。

【參考文獻】：
期刊論文
[1]關系抽取綜述[J]. 謝德鵬,常青.  計算機應用研究. 2020(07)
[2]面向中文開放領域的多元實體關系抽取研究[J]. 姚賢明,甘健侯,徐堅.  智能系統(tǒng)學報. 2019(03)
[3]基于數(shù)學教學的知識圖譜構(gòu)建[J]. 戈其平,鐘艷如.  計算機技術與發(fā)展. 2019(03)
[4]《機器學習》[J]. 周志華.  航空港. 2018(02)
[5]基于深度學習的中文實體關系抽取方法[J]. 孫紫陽,顧君忠,楊靜.  計算機工程. 2018(09)
[6]可演化的個人知識圖建構(gòu)及認知評估模型研究[J]. 趙德芳,朱夢夢,楊娟.  現(xiàn)代遠程教育研究. 2017(02)
[7]文本蘊含關系識別與知識獲取研究進展及展望[J]. 郭茂盛,張宇,劉挺.  計算機學報. 2017(04)
[8]基于依存分析的開放式中文實體關系抽取方法[J]. 李明耀,楊靜.  計算機工程. 2016(06)
[9]面向中文自然語言文檔的自動知識抽取方法[J]. 車海燕,馮鐵,張家晨,陳偉,李大利.  計算機研究與發(fā)展. 2013(04)
[10]知識可視化在計算機教學中的應用[J]. 姜世華,陳新紅,梁鵬.  東北農(nóng)業(yè)大學學報(社會科學版). 2012(02)

碩士論文
[1]自規(guī)律學習平臺中基于語義鏈網(wǎng)絡的知識可視化研究[D]. 趙德芳.四川師范大學 2019
[2]“概念圖教學策略”在高中生物學教學中的實踐研究[D]. 趙映紅.四川師范大學 2018
[3]在線學習系統(tǒng)中知識構(gòu)建及應用研究[D]. 朱夢夢.四川師范大學 2018
[4]學科知識的可視化技術研究與實現(xiàn)[D]. 張亞龍.電子科技大學 2016



本文編號：3076401