构建金融知识图谱的知识抽取服务的设计与实现

发布时间：2025-03-15 07:49

　　知识图谱是大数据时代进行知识管理和应用的重要技术,它已经成为搜索引擎、各领域基于知识的推理和决策的关键技术。作为语义网络的重要成员,知识图谱使大规模知识存储更为规范,检索更加高效。近年来知识图谱在信息检索中的高速发展为企业关联关系检索、企业风险事件传导等金融领域任务带来了新的契机。利用非结构化文本构建知识图谱需要用到知识抽取技术,所以本文提出了构建金融领域知识图谱的知识抽取服务的课题研究。本课题在现有的技术和算法基础上,进行金融领域知识图谱构建的知识抽取方法的研究。本文阐述了构建金融领域知识图谱的知识抽取服务系统的开发背景,说明了知识抽取服务在整个知识图谱构建过程中的重要性,详细分析了知识抽取服务的各个模块设计,介绍了每个模块的具体实现,最后包装成知识抽取服务,用以解决从非结构化文本数据中进行知识抽取的问题。本文从模型设计和具体使用场景出发,融合了两种不同的命名实体识别模型应用和一种关系抽取模型应用,将模型和应用封装在Docker容器中,并部署到Kubemetes集群上以完成知识抽取服务系统的构建。本项目实现的知识抽取服务系统已在公司的知识图谱产品中正式上线,本文的方案不仅可以用于构建金...

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

图２．２循环神经网络的结构图??

２．３．２长短时记忆模型??ＬＳＴＭ的提出是为了解决循环神经网络的“梯度消失”问题，它之所以能够缓??解这个问题主要取决于ＬＳＴＭ特有的门型结构，如图２．３所示。???输出门??输入门???遗忘门??图２．３?ＬＳＴＭ结构示意图??可以看到，ＬＳＴＭ主要包括遗忘门、输入门和输出门....

图２．３?ＬＳＴＭ结构示意图??可以看到，ＬＳＴＭ主要包括遗忘门、输入门和输出门等结构，其中：??

Ｉｎｐｕｔ?Ｌａｙｅｒ?＾??图２．２循环神经网络的结构图??理论上循环神经网络能够对任何长度的序列数据进行处理，但是在实践中发??现”梯度消失”会影响循环神经网络的训练，随着神经网络层数的增加，“梯度消失”??的风险就会越大。而长短时记忆模型（Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍ....

图２．４残差结构单元示意图??残差单元的输出由多个卷积层级联的输出和输入元素相加（维度相同的情况??

Ｈ（ｘ）?＝?Ｆ?（ｘ）?＋?ｘ?（２－１３）??这样一来就可以得到一种全新的残差结构单元，如图２．４所示。??Ｆ（ｘ）?ＲｅＬＵ?、??ｃ?ｂ?］?ｘ??Ｆ（ｘ＞＋ｘ?ＲｅＬＪＵ?／／??ＲｅＬＵ??＜＞??图２．４残差结构单元示意图??残差单元的输出由多个卷积层级联的输出和输....

图３．１金融领域知识图谱示意图??图３．１所示为金融领域知识图谱示意图

??图３．１金融领域知识图谱示意图??图３．１所示为金融领域知识图谱示意图。金融领域知识图谱是利用金融领域??的实体、关系信息构建的知识图谱，其中实体信息主要分为６类：公司、人物、??组织机构、地址、行业、主营业务。实体间关系分为１２类：股东、高管、职工、??股权转让、子公司、设....

本文编号：4035413