水利水電工程專業(yè)文本信息處理與分析以往主要依賴于人工交互,存在過程繁瑣、效率低且易出錯等問題。本文基于自然語言處理技術(shù),引入Attention機制對Word2vec技術(shù)加以改進,提出了一種智能高效的水利水電工程專業(yè)詞識別提取與分析方法。該方法通過組合Attention機制,改進Word2vec技術(shù)建立了專業(yè)詞向量計算模型;根據(jù)所求詞向量,計算詞語間相似度,以詞語間相似度為組合標準,組合提取水利水電工程專業(yè)詞;進而結(jié)合已有的水利水電工程專業(yè)文本,驗證所提取專業(yè)詞的可信度,實現(xiàn)了水利水電工程專業(yè)詞的自動提煉,構(gòu)建了一套水利水電工程專業(yè)詞智能識別提取與分析體系。該方法應(yīng)用于實際某混凝土大壩長達229周的施工監(jiān)理周報文本分析中,經(jīng)過3輪識別計算與分析,獲得了9034個水利水電工程專業(yè)詞,準確率為87.58%,有效提升了水利水電工程專業(yè)文本信息提取分析的效率、準確率與智能化水平。 

【文章來源】：水利學報. 2020,51(07)北大核心EICSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

Word2vec神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

經(jīng)過Attention機制處理后的Word2vec輸入可表示為：式中：V′k為Attention機制處理后第k個詞的Word2vec輸入；Vj為第j個詞的one-hot向量，onehot向量是文本單詞量化的一種形式，以0-1表示詞語在文本中是否出現(xiàn)，進而將每個詞表征為一個多維向量，以便于文本計算；ωjk為計算第k個詞向量時第j個詞的權(quán)重，計算式如下：

專業(yè)詞識別驗證流程

【參考文獻】：
期刊論文
[1]基于文獻計量學的國內(nèi)水生態(tài)環(huán)境研究知識圖譜構(gòu)建與應(yīng)用[J]. 毛文山,趙紅莉,蔣云鐘,段浩,郝震.  水利學報. 2019(11)
[2]水文水資源學家陳守煜先生學術(shù)研究的知識圖譜分析[J]. 金菊良,陳鵬飛,陳夢璐,寧少尉,周戎星,張浩宇.  水利學報. 2019(10)
[3]基于CNN模型的施工現(xiàn)場典型安全隱患數(shù)據(jù)學習[J]. 林鵬,魏鵬程,樊啟祥,陳聞起.  清華大學學報(自然科學版). 2019(08)
[4]大壩智能建設(shè)研究進展[J]. 鐘登華,時夢楠,崔博,王佳俊,關(guān)濤.  水利學報. 2019(01)
[5]水工建筑物防滲墻技術(shù)60年Ⅱ:創(chuàng)新技術(shù)和工程應(yīng)用[J]. 宗敦峰,劉建發(fā),肖恩尚,陳祖煜.  水利學報. 2016(04)

碩士論文
[1]基于深度學習的專業(yè)領(lǐng)域術(shù)語識別系統(tǒng)設(shè)計與實現(xiàn)[D]. 陳睿.北京郵電大學 2019
[2]基于自然語言處理的隱患分析系統(tǒng)的設(shè)計與實現(xiàn)[D]. 付文幸.華中科技大學 2018
[3]融合深度學習和句義結(jié)構(gòu)模型的微博摘要方法研究[D]. 原玉嬌.北京理工大學 2016



本文編號：3121478