融合因果事件的知识图谱构建及其应用研究

发布时间：2022-01-08 12:18

　　知识图谱以网络化的方式将互联网上海量的知识资源整合起来,构成一张巨大的语义网络,提供了一种更好地组织和利用信息的能力,已经发展成为大数据时代的基础设施。随着信息抽取技术的发展和实际应用的需要,人们开始从非结构化的文本中挖掘事件知识。事件知识是一种重要的决策依据,在我们身边,每天都会发生各种事件,这些事件通常不是孤立存在的,往往存在着某种语义上的因果逻辑。事件之间的因果逻辑是一种十分有价值的知识,将因果事件知识作为知识图谱的补充,可以进一步丰富和完善知识图谱,从而让知识图谱在实际应用中发挥更大的价值。本文以金融领域为例,首先基于半结构化的数据构建初步的金融知识图谱,然后从非结构化的金融新闻中抽取因果事件知识,并将其融合到金融知识图谱中,进一步丰富和完善了金融知识图谱,从而用于基于知识图谱的分析与决策等应用场景中。本文主要完成了以下工作:提出了金融知识图谱的构建框架;在详细调研和分析金融领域的概念和知识的基础上,将金融领域重要的概念和类抽象出来,并且详细的定义了实体的属性和值域,完成了金融本体库的构建;同时,针对D2R工具将关系数据库映射为RDF图的过程中会出现冗余信息的问题,本文提出了一... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

知识图谱示例

华东师范大学硕士学位论文图 2-2 展示了知识图谱构建过程中的关键技术。本体的构建为知识图谱的构建提骨架”，有利于保证知识图谱的构建质量；知识抽取技术，主要是从多源异构的信抽取知识来对本体进行实例化，这个过程主要包括实体抽取、属性抽取以及关系知识表示的主要目的是将人脑中的知识用一种计算机符号进行表示从而模拟人脑过程。最后还需要根据实际应用的需要，将抽取出来的知识存储到合适的数据库中知识的应用。

在传统关系数据库中，多表之间的联结操作会导致性能十分低下针对图结构的查询进行了优化，这种特殊的数据存储方法使得其在对于传统的关系数据库来说具有巨大的优势。因此，图数据库更适据存储方式。神经网络N 网络模型经网络（RecurrentNeuralNetworks， RNN）48模型经常被用于自在循环神经网络中，前一时刻的信息会被应用于当前时刻输出的计模型能够捕获到序列中的上下文信息，在处理上下文依赖任务的应效果，循环神经网络的网络结构如图 2-3 所示：.

【参考文献】：
期刊论文
[1]基于层叠条件随机场的事件因果关系抽取[J]. 付剑锋,刘宗田,刘炜,周文.  模式识别与人工智能. 2011(04)
[2]基于树核函数的实体语义关系抽取方法研究[J]. 庄成龙,钱龙华,周国栋.  中文信息学报. 2009(01)
[3]中文金融新闻中公司名的识别[J]. 王宁,葛瑞芳,苑春法,黄锦辉,李文捷.  中文信息学报. 2002(02)
[4]论因果关系的定义[J]. 维之.  青海社会科学. 2001(01)



本文编号：3576545