針對大多數(shù)現(xiàn)有關(guān)系抽取模型存在對語義特征提取不充分、速度慢且數(shù)據(jù)集匱乏的缺點(diǎn),提出一種PCNN（piecewise convolutional neural network）模型和多層注意力機(jī)制相結(jié)合的遠(yuǎn)程監(jiān)督關(guān)系抽取方法進(jìn)行農(nóng)業(yè)病蟲害領(lǐng)域的關(guān)系抽取。模型由兩個實(shí)體把句子分成三段,對卷積后的每一段進(jìn)行最大池化獲得特征,同時在實(shí)例和池化特征層面上分別引入注意力機(jī)制有效降低信息噪聲。在F1評價指標(biāo)上比傳統(tǒng)方法提高了5.75%,在耗時上是傳統(tǒng)方法的10.93%,且減少了手工標(biāo)注數(shù)據(jù)集的成本。 

【文章來源】：安徽農(nóng)業(yè)大學(xué)學(xué)報. 2020,47(04)CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

PCNN多注意力機(jī)制關(guān)系抽取模型

圖2 位置向量化

【參考文獻(xiàn)】：
期刊論文
[1]基于遠(yuǎn)程監(jiān)督的關(guān)系抽取研究綜述[J]. 白龍,靳小龍,席鵬弼,程學(xué)旗.  中文信息學(xué)報. 2019(10)
[2]基于BiLSTMAtt的軍事領(lǐng)域?qū)嶓w關(guān)系抽取研究[J]. 朱珊珊,唐慧豐.  智能計算機(jī)與應(yīng)用. 2019(04)
[3]基于注意力機(jī)制的農(nóng)業(yè)金融文本關(guān)系抽取研究[J]. 吳粵敏,丁港歸,胡濱.  數(shù)據(jù)分析與知識發(fā)現(xiàn). 2019(05)
[4]關(guān)系抽取技術(shù)研究綜述[J]. 黃勛,游宏梁,于洋.  現(xiàn)代圖書情報技術(shù). 2013(11)
[5]基于詞形規(guī)則模板的術(shù)語層次關(guān)系抽取方法[J]. 韓紅旗,徐碩,桂婕,喬曉東,朱禮軍,安小米.  情報學(xué)報. 2013 (07)



本文編號：3386018