语义对象与E-R的等价转换

本文根据对象的属性、属性组对语义对象进行了归类,在此基础上,给出了把语义对象转换成与其等价的实体———关系模式的通用方法。基于本文给出的方法,利用现有的数据库应用软件可以方便、容易地实现对OODB的处理。     

科学文献中的知识实体抽取与评价研究综述

[目的/意义]科学文献中的知识实体的挖掘、利用与评价对知识发现、构建知识网络、探索知识之间潜在关联均具有重要意义。随着机器学习、深度学习和大语言模型的发展及其应用，相比最早的基于人工标注的知识实体抽取技术，如今已经发生了翻天覆地的变化；此外，近年来，学者对科学文献中知识实体的评价也进行一些探索，取得了较大进展。[方法/过程]在相关文献调研基础上，回顾并比较了基于人工标注的方法、基于规则的方法、传统机器学习、基于深度学习与大语言模型在知识实体抽取方面的优缺点，列举了相关数据集、软件与工具及相关专业会议；从提及频率、替代计量及其影响因素、实体共现网络及实体扩散/引文网络、基于知识实体的同行评议、基于知识实体的论文新颖性和临床转化进展五大方面，对知识实体的评价研究最新进展进行了归纳与整理。[结果/结论]针对目前存在的问题，建议在具体的知识实体抽取任务中，抽取方法选择应权衡多方面因素，再依此选择一个或多个模型完成实体抽取任务；在知识实体评价方面，应重视指标多样化、可靠性、有效性、系统性和规范化研究，关注对知识实体评价指标的影响因素、指标间相关关系与因果关系的实证分析，构建基于知识实体的论文评价...     

基于关系相似度计算的实体关系分类研究

实体关系抽取和实体关系分类是信息抽取中重要的研究领域,不仅要识别文本中的实体,还要确定这些实体之间的关系,能够辅助机器对文本语义的理解。提出了一种基于关系相似度计算的实体关系分类模型,并针对7种常见实体关系进行了分类实验。     

于Pro/ENGINEER圆柱齿轮减速器实体造型设计研究

本文基于具有实体特征造型功能、参数化、单一数据库的Pro/ENGINEER软件平台,结合圆柱齿轮减速器的结构和功能特点,对其进行了一体化三维造型设计,不仅为减速器的数控加工自动编程提供了参考模型,而且为其进行参数化设计奠定了基础.     

基于关系数据库的对象/关系映射研究

对象和关系数据是业务实体模型的两种表现形式。业务实体在内存中表现为对象,在数据库中表现为关系数据。内存中的对象之间存在关联和继承关系,而在数据库中,关系数据无法直接表达多对多关联和继承关系。因此,把对象持久化到关系数据库中,需要进行对象/关系的映射。     

探究软件中工程数据库和实体造型技术

软件范畴之中的工程数据库,正在不断拓展。它整合了初始时段的软件设计、技术架构下的工程分析。软件特有的工程数据库,预设了明晰的几何定义。实体造型范畴的关联技术,有序衔接着设计构造、解析及测定、制备出来的文档、平日以内的工程管理。建构好的实体模型,便利了接续的有限元分析、软件特有的优化等。建构适宜的数据库,采纳特有的实体造型,是软件进展之中的总倾向。     

文本实体关系抽取方法综述

文本中实体关系的确定可以使计算机清楚文本中实体间的联系,进而可以通过其中一个实体和关系得出另一个实体,关系抽取技术用于抽取文本中实体之间的关系.随着互联网技术的发展,文本数据越来越庞大.关系抽取作为信息抽取的子任务,帮助人类从海量数据中获取有用的信息,实现将非结构化、半结构化的自然语言文本转化为结构化数据.在介绍关系抽...     

校园办公数据库系统开发设计

校园办公数据库系统设计的好坏决定了校园办公系统能否正常稳定运行,本文分析了校园办公数据库系统的需求,在此基础上,给出了校园办公数据库系统的实体关系图,以及数据库表设计,数据库连接设计,数据库安全设计。     

基于实体网格的语篇表示模型研究

文章主要围绕实体网格的概念以及构造方法、实体网格在连贯性评测上的作用进行分析,对基于实体网格特征修改和丰富的实体扩展方案以及新的实体网格计算方法进行了深入的分析和研究.     

基于Pro／ENGINEER圆柱齿轮减速器实体造型设计研究

本文基于具有实体特征造型功能、参数化、单一数据库的Pro／ENGINEER软件平台,结合圆柱齿轮减速器的结构和功能特点．对其进行了一体化三维造型设计,不仅为减速器的数控加工自动编程提供了参考模型,而且为其进行参数化设计奠定了基础。     

基于文献的中文命名实体识别算法适用性分析研究

命名实体识别(Named Entity Recognition)是指识别文本中具有特定意义的实体,主要包括人名、地名、机构名、专有名词等.首先对我国关于命名实体识别研究的文献进行了总结,给出命名实体识别的主要方法及模型.并针对文献中对这些命名实体识别方法的效果进行统计分析,探讨各种识别对象、识别模型的效果及适用性.经过对现有研究文献的统计,结论为:在不考虑运行效率的情况下,对于机构名,识别效果最好的是层叠CRF模型;对于地名,测试效果最好的是CRF方法与专家知识相结合;人名识别方法中表现不错的则是边界模版和局部统计相结合的模型.     

基于关系的信息组织

探讨了实体间关系的基本属性和类型，并以此为重点分析信息组织中的各种关系，指出本体论是未来信息组织研究的重点。     

学术实体合作关系测度模型研究

【目的/意义】学术实体合作关系评估对于科技管理者整合创新资源、提高创新效率,科研人员发现潜在合 作对象具有很强的现实意义。【方法/过程】本文以合著科技文献数量作为关键评价指标,利用作者、研究机构、国家 三类实体间的合作关系建立多层合作关系网络,提出支持同层级和跨层级实体间合作范围和合作强度的测度方 法。【结果/结论】对我国双一流高校国际合作情况进行实证,验证了测度模型的有效性。     

隐马尔可夫模型在命名实体中的应用

命名实体是文本中基本的信息元素，是正确理解文本的基础。命名实体识别就是要判断一个文本串是否代表一个命名实体，并确定它的类别，即发现命名实体和标注命名实体。利用了隐马尔可夫模型（HMM，Hidden Markov Model）和改进的隐马尔可夫模型进行英文命名实体的识别。     

基于BERT的化妆品标准实体关系抽取技术研究

化妆品标准有助于规范化妆品市场,同时也是相关部门进行安全监管的重要依据。为了解决化妆品标准文本中专有命名实体具有上下文敏感性、长序列存在语义稀释等问题,本文提出了一种融合了注意力机制的BERT-BiLSTM-Attention-CRF模型来提取文本中的实体和关系,引入的注意力机制能够优化权重分配、消除噪音,进而提高抽取的准确性。为了验证模型的有效性,我们与几种常见的深度网络模型进行了对比,结果证明我们的模型在自建的化妆品标准数据集上的F1值比其他模型高了3.9%～12.1%,进一步验证了模型的有效性和合理性。     

基于多数据源融合的医疗知识图谱框架构建研究

[目的/意义]随着大数据和人工智能时代的来临，基于数据驱动的医疗辅助决策以及医疗健康知识挖掘受到人们的极大关注。医疗知识图谱是医疗信息分析和知识服务的基础，在医疗人工智能和医疗信息检索中发挥着重要作用。[方法/过程]本文以医疗领域的实际应用需求为出发点，从医疗大数据获取、医疗实体及关系标注、医疗实体识别、医疗实体链接、医疗实体关系挖掘、中文医疗知识图谱表示和存储等关键技术入手，提出了多数据源融合的医疗知识图谱构建的理论框架。[结果/结论]面向医疗领域的知识图谱构建是一项非常重要的基础任务，同时也是人工智能领域的重要发展方向。     

语义检索排序方法研究进展

排序算法的好坏很大程度上影响了搜索引擎的用户体验,尤其是近些年随着语义检索技术的发展,使其检索和排序的对象不仅仅局限于文档和网页,更包括了实体和关系等。在对现有研究与应用调研的基础上,对当前语义检索研究进行了综述,并按照排序的阶段将其分为实体排序、关系排序和本体文档排序,并详细阐述了每种排序算法的研究进展,最后指出,将用户的社会网络因素同已有的排序算法相结合,是未来语义排序的发展趋势之一。     

实体-属性抽取的GRU+CRF方法

[目的/意义]研究利用深度学习的循环神经网络GRU结合条件随机场CRF对标注的中文文本序列进行预测,来抽取在线评论文本中的实体-属性。[方法/过程]首先根据设计好的文本序列标注规范,对评论语料分词后进行实体及其属性的命名实体标注,得到单词序列、词性序列和标注序列;然后将单词序列、词性序列转为分布式词向量表示并用于GRU循环神经网络的输入;最后输出层采用条件随机场CRF,输出标签即是实体或属性。[结果/结论]实验结果表明,本文的方法将实体-属性抽取简化为命名实体标注,并利用深度学习的GRU捕获输入数据的上下文语义以及条件随机场CRF获取输出标签的前后关系,比传统的基于规则或一般的机器学习方法具有较大的应用优势。     

机构知识库科研实体学术关系发现体系研究

[研究目的]从学术关系角度研究机构知识库科研实体相关关系,能够使机构知识库资源通过学术关系发现实现语义聚集。[研究方法]分析机构知识库所含资源类型与特征、学术关系内涵,提出机构知识库主要科研实体之间存在的学术关系,在此基础上,构建包含数据层、描述层、关联层、应用层四个层面的机构知识库科研实体学术关系发现体系。[研究结论]该方法体系可使机构知识库中具有学术关系的科研实体建立链接、实现关联,形成学术关系网络,在可视化揭示、语义化检索、智慧化服务等方面进行应用。     

基于ALBERT的网络文物信息资源实体关系抽取方法研究

[研究目的]实体间关联关系是知识的基本载体,对网络文物信息资源中实体关系进行抽取是大数据环境下进行文物知识发现、绘制文物知识图谱的前提,也是文物信息资源开发利用需要解决的重要问题。[研究方法]针对网络文物信息资源结构化数据标准详实、实体关系特征明确、语言描述规范等特征,从知识库中查询实体关系并依照规则进行实体关系标注,利用元数据标准进行实体关系对齐,使用预训练语言模型获取字符特征,应用深度学习有关方法获取语义特征,进行了非结构化文物信息资源实体关系的抽取。[研究结论]研究表明,在与其他预训练语言模型及深度学习方法的关系抽取对比实验中,该方法的综合效率相对较高,并根据实体关系分类的不同进行特征挖掘,为文物信息资源的研究与推广提供了有益的参考。