知識圖譜（Knowledge Graph）是Google于2012年提出的一種高效的知識表達模型。它使用一系列字符串符號映射于真實世界中存在的各種實體或概念中,然后以這些實體或概念間的關(guān)聯(lián)關(guān)系為連接符,將不同類型的信息連接在一起,從而構(gòu)成一張巨大的語義網(wǎng)絡(luò)圖。與傳統(tǒng)的信息管理方式相比,知識圖譜能夠幫助人們更快速有效地獲取所需的知識間的邏輯關(guān)系,有利于知識間智能推理的實現(xiàn)。其中,垂直領(lǐng)域知識圖譜面向特定的行業(yè)領(lǐng)域,能夠被應(yīng)用于搜索引擎、智能問答、知識挖掘和決策支持等業(yè)務(wù)中。因此,其構(gòu)建技術(shù)的研究具有重要意義。本文在調(diào)研和分析現(xiàn)有知識圖譜構(gòu)建方法的基礎(chǔ)上,研究基于多種數(shù)據(jù)源構(gòu)建中文垂直領(lǐng)域知識圖譜,并對一些已有的知識圖譜構(gòu)建關(guān)鍵技術(shù)提出改進方案。論文的主要貢獻包括:1.對于知識抽取中的中文垂直領(lǐng)域命名實體識別任務(wù),本文在經(jīng)典的字粒度Bi-LSTM-CRF命名實體識別模型基礎(chǔ)上,針對中文垂直領(lǐng)域特點,提出了創(chuàng)新性的改進方案。其中,基于注意力的中文詞信息增強模型能夠通過注意力機制訓(xùn)練出字所屬的每個詞對字義的貢獻程度比,將詞向量信息按其語義貢獻比例加入字粒度的命名實體識別模型中。另外,還針對漢字... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－３?Ｄｍ模型［１６］??

循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖２－５基于ＣＮＮ的文本分類模型結(jié)構(gòu)圖＿??

【參考文獻】：
期刊論文
[1]基于GRU的命名實體識別方法[J]. 王潔,張瑞東,吳晨生.  計算機系統(tǒng)應(yīng)用. 2018(09)
[2]面向知識圖譜的知識推理研究進展[J]. 官賽萍,靳小龍,賈巖濤,王元卓,程學(xué)旗.  軟件學(xué)報. 2018(10)
[3]知識表示學(xué)習(xí)研究進展[J]. 劉知遠,孫茂松,林衍凱,謝若冰.  計算機研究與發(fā)展. 2016(02)



本文編號：3211201