计算机软件及计算机应用论文_面向科技情报分析 - 科技风杂志社投稿

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

计算机软件及计算机应用论文_面向科技情报分析

作者:

关键词:

摘要：

文章摘要:在知识库构建中，最重要的部分就是提取文本中的三元组，而三元组的提取需要实体抽取和实体关系抽取技术。针对实体抽取提出了一种CWATT-BiLSTM-LSTMd （Character Word Attention-Bidirectional Long Term and Short Term Memory - long short-term memory）模型。该模型可以有效解决实体抽取中一词多义问题，并且可以模拟标签的依赖问题。在实体抽取的基础之上进行实体关系的抽取，为解决实体关系抽取中远程监督的局限性，提出一种基于强化深度学习的RL-TreeLSTM（Reinforcement Learning Tree Long Short Term Memory）模型。该模型分为选择器和分类器，选择器选择有效的句子传入分类器，分类器对句子中实体对的关系标签进行预测。选择器和分类器共同训练以优化选择和分类过程，可以有效降低远程监督带来的噪音。通过实验表明提出的模型和方法能有效地提高实体及其关系的抽取。

文章关键词:

论文分类号:G350;TP391.1