陈振东
- 作品数：4 被引量：24H指数：2
- 供职机构：武汉理工大学计算机科学与技术学院更多>>
- 发文基金：国家高技术研究发展计划中央高校基本科研业务费专项资金国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于领域适应迁移学习的地理实体关系抽取
- 地理领域文本蕴含着丰富的非结构化地理实体和关系，完善的地理实体关系抽取技术对地理知识图谱的构建至关重要。由于地理领域内标注语料资源较少，难以运用深度学习等依赖大规模语料的方法，而基于领域适应的迁移学习方法，可以将其他领域...
- 陈振东
- 关键词：实体关系抽取
- 文献传递
- 基于CNN和LSTM混合模型的中文词性标注被引量：20
- 2017年
- 中文词性标注具有重要的作用,它的准确性和标注速度直接影响到自然语言处理的后续任务.提出一种基于CNN(convolutional neural network)和LSTM(long-short term memory)混合模型进行中文词性标注.该模型采用三层结构,用词向量和CNN的滑动窗口特性产生词语表示特征,LSTM的时序性来产生词性标注的序列标签.分别在PFR《人民日报》语料库、CTB7.0和CoNLL09语料库上对该模型进行测试,在未加入任何人工特征的条件下,对词语进行词性标注,词性标注效果好于HMM(hidden Markov model)、MLP(multi-layer perceptron)、CNN和LSTM.
- 谢逸饶文碧段鹏飞陈振东
- 关键词：词性标注卷积神经网络
- 一种基于深度神经网络的实体关系抽取方法
- 本发明公开了一种基于深度神经网络的实体关系抽取方法，包括：将句子的每个字或类别关键词分别映射到字向量或类别向量，根据字向量和类别向量对句子进行特征提取，将所提取的特征首尾相接输入全连接分类层，即得到抽取结果。本发明利用了...
- 熊盛武陈振东段鹏飞缪少豪王娜毛晶晶
- 文献传递
- 基于可信向量的知识图谱上下文感知表示学习被引量：3
- 2019年
- 面向知识图谱的表示学习在低维语义空间中对实体和关系进行编码,提升了知识理解和推理能力。传统的平移模型在处理知识图谱中的一对多、多对一以及多对多这些复杂关系时,难以区分在某一属性具有相同语义的实体。本文构建了一种基于二值可信向量的平移模型(TransV),通过向量不同维度的元素值控制对应属性的激活与抑制程度,使不同的关系关注不同的实体属性信息,提高模型处理复杂关系的效果。除了知识图谱中的三元组信息,非结构化文本中包含了丰富的语义信息,能够提高实体表达能力。利用与实体相关的文本信息,构建了一种融合上下文信息的基于二值可信向量的知识图谱表示学习模型(CKRV),使得三元组信息与语义信息能相互影响、相互融合。实验结果表明,该方法复杂度更低,在实体预测准确性方面有明显提升。
- 熊盛武陈振东段鹏飞刘晓赟
- 关键词：上下文感知
