面向舰船知识领域的知识图谱构建关键技术研究

发布时间：2022-05-08 08:04

　　与传统的信息管理手段相比,知识图谱以其强大的语义处理与开放互联能力,可帮助人们迅速梳理目标知识之间的逻辑关系,对基于知识的智能推理实现有良好效果。与通用知识图谱相比,特定领域知识图谱以其知识的深度与完备性、数据模式的丰富和严格性以及描述的高准确性等优点,通常用于各种复杂的辅助分析或决策支持。本文在调研和分析了已有知识图谱构建关键技术的基础上,以构造舰船知识领域知识图谱为依托,对特定领域的知识图谱构建中命名实体识别、关系抽取以及知识融合等关键技术展开深入研究,本文的主要内容包括:（1）针对舰船知识领域命名实体存在嵌套以及长度过长等问题,提出基于字向量层叠模型的命名实体识别算法,首先通过高低层网络结构完成序列标注以及序列更正工作,最后利用条件随机场对上层输出序列标签进行校准并输出命名实体识别结果。实验表明本文所提出的基于字向量的层叠模型复杂命名实体识别取得了较好的效果,其F1值（F1值为加权调和平均值）达到了 87.93%。（2）针对舰船知识领域关系抽取中语料过少、深度神经网络无法学习高位数据特征等问题,根据该领域文本数据特点,本文提出了基于规则和触发词的混合关系抽取方法,对于半结构化文本... 

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 命名实体识别技术
        1.2.2 关系抽取技术
        1.2.3 知识图谱技术
    1.3 论文研究内容及章节安排
        1.3.1 本文的研究内容
        1.3.2 本文的组织结构
第2章 知识图谱构建的相关背景算法研究
    2.1 文本表示技术介绍
        2.1.1 动态词向量技术ELMo
        2.1.2 文档向量技术Doc2Vec
    2.2 循环神经网络
        2.2.1 递归神经网络
        2.2.2 长短时记忆网络
    2.3 知识表示技术
    2.4 本章小结
第3章 基于字向量的层叠模型复杂命名实体识别
    3.1 基于字向量的层叠模型实现命名实体识别
    3.2 基于字向量的预训练语言模型
    3.3 层叠模型原理与构建
        3.3.1 低层网络构建-双向门控循环神经网络层
        3.3.2 高层网络构建-融合注意力机制的双向长短时记忆神经网络层
        3.3.3 条件随机场
    3.4 实验
        3.4.1 实验环境配置
        3.4.2 实验语料与标注
        3.4.3 实验评价指标
        3.4.4 实验结果对比分析
    3.5 本章小结
第4章 基于规则和触发词混合模式的关系抽取
    4.1 实体关系抽取问题描述
    4.2 基于规则的关系抽取
    4.3 基于触发词的抽取算法
    4.4 本章小结
第5章 领域知识融合与存储
    5.1 领域知识融合
        5.1.1 实体对齐
        5.1.2 基于知识表示学习的实体对齐算法
    5.2 领域知识存储
        5.2.1 Neo4j图数据库
        5.2.2 自动抽取实体及关系存储至Neo4j
    5.3 图谱简单应用-知识问答系统构建
    5.4 本章小结
第6章 结论与展望
    6.1 论文工作总结
    6.2 论文工作展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果



本文编号：3651262