知識圖譜是大數(shù)據(jù)時代進(jìn)行知識管理和應(yīng)用的重要技術(shù),它已經(jīng)成為搜索引擎、各領(lǐng)域基于知識的推理和決策的關(guān)鍵技術(shù)。作為語義網(wǎng)絡(luò)的重要成員,知識圖譜使大規(guī)模知識存儲更為規(guī)范,檢索更加高效。近年來知識圖譜在信息檢索中的高速發(fā)展為企業(yè)關(guān)聯(lián)關(guān)系檢索、企業(yè)風(fēng)險事件傳導(dǎo)等金融領(lǐng)域任務(wù)帶來了新的契機。利用非結(jié)構(gòu)化文本構(gòu)建知識圖譜需要用到知識抽取技術(shù),所以本文提出了構(gòu)建金融領(lǐng)域知識圖譜的知識抽取服務(wù)的課題研究。本課題在現(xiàn)有的技術(shù)和算法基礎(chǔ)上,進(jìn)行金融領(lǐng)域知識圖譜構(gòu)建的知識抽取方法的研究。本文闡述了構(gòu)建金融領(lǐng)域知識圖譜的知識抽取服務(wù)系統(tǒng)的開發(fā)背景,說明了知識抽取服務(wù)在整個知識圖譜構(gòu)建過程中的重要性,詳細(xì)分析了知識抽取服務(wù)的各個模塊設(shè)計,介紹了每個模塊的具體實現(xiàn),最后包裝成知識抽取服務(wù),用以解決從非結(jié)構(gòu)化文本數(shù)據(jù)中進(jìn)行知識抽取的問題。本文從模型設(shè)計和具體使用場景出發(fā),融合了兩種不同的命名實體識別模型應(yīng)用和一種關(guān)系抽取模型應(yīng)用,將模型和應(yīng)用封裝在Docker容器中,并部署到Kubemetes集群上以完成知識抽取服務(wù)系統(tǒng)的構(gòu)建。本項目實現(xiàn)的知識抽取服務(wù)系統(tǒng)已在公司的知識圖譜產(chǎn)品中正式上線,本文的方案不僅可以用于構(gòu)建金...

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．２循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖??

２．３．２長短時記憶模型??ＬＳＴＭ的提出是為了解決循環(huán)神經(jīng)網(wǎng)絡(luò)的“梯度消失”問題，它之所以能夠緩??解這個問題主要取決于ＬＳＴＭ特有的門型結(jié)構(gòu)，如圖２．３所示。???輸出門??輸入門???遺忘門??圖２．３?ＬＳＴＭ結(jié)構(gòu)示意圖??可以看到，ＬＳＴＭ主要包括遺忘門、輸入門和輸出門....

圖２．３?ＬＳＴＭ結(jié)構(gòu)示意圖??可以看到，ＬＳＴＭ主要包括遺忘門、輸入門和輸出門等結(jié)構(gòu)，其中：??

Ｉｎｐｕｔ?Ｌａｙｅｒ?＾??圖２．２循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖??理論上循環(huán)神經(jīng)網(wǎng)絡(luò)能夠?qū)θ魏伍L度的序列數(shù)據(jù)進(jìn)行處理，但是在實踐中發(fā)??現(xiàn)”梯度消失”會影響循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加，“梯度消失”??的風(fēng)險就會越大。而長短時記憶模型（Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍ....

圖２．４殘差結(jié)構(gòu)單元示意圖??殘差單元的輸出由多個卷積層級聯(lián)的輸出和輸入元素相加（維度相同的情況??

Ｈ（ｘ）?＝?Ｆ?（ｘ）?＋?ｘ?（２－１３）??這樣一來就可以得到一種全新的殘差結(jié)構(gòu)單元，如圖２．４所示。??Ｆ（ｘ）?ＲｅＬＵ?、??ｃ?ｂ?］?ｘ??Ｆ（ｘ＞＋ｘ?ＲｅＬＪＵ?／／??ＲｅＬＵ??＜＞??圖２．４殘差結(jié)構(gòu)單元示意圖??殘差單元的輸出由多個卷積層級聯(lián)的輸出和輸....

圖３．１金融領(lǐng)域知識圖譜示意圖??圖３．１所示為金融領(lǐng)域知識圖譜示意圖

??圖３．１金融領(lǐng)域知識圖譜示意圖??圖３．１所示為金融領(lǐng)域知識圖譜示意圖。金融領(lǐng)域知識圖譜是利用金融領(lǐng)域??的實體、關(guān)系信息構(gòu)建的知識圖譜，其中實體信息主要分為６類：公司、人物、??組織機構(gòu)、地址、行業(yè)、主營業(yè)務(wù)。實體間關(guān)系分為１２類：股東、高管、職工、??股權(quán)轉(zhuǎn)讓、子公司、設(shè)....

本文編號：4035413