导读:本文包含了语义抽取论文开题报告文献综述及选题提纲参考文献，主要关键词:机器阅读理解(MRC),语义匹配,动态双向注意力机制,外部知识
语义抽取论文文献综述
姜文超,庄志刚,涂旭平,利传杰,刘海波[1]（2019）在《结合外部知识的动态多层次语义抽取网络模型》一文中研究指出针对复杂多文本机器阅读理解任务中的语义理解与答案提取问题,提出结合外部知识的动态多层次语义理解与答案抽取模型.首先利用改进的门控单元循环神经网络匹配文本内容与问题集,分别在向量化文本内容及问题集上实施多维度动态双向注意力机制分析,提高语义匹配精度.然后利用动态指针网络确定问题答案范围,改进网络模型语义匹配效率,降低答案提取冗余度.最后结合外部知识与经验改进候选答案精准性排序,得到最终答案.实验表明文中模型的语义匹配与答案提取精度显着提升,对不同领域的复杂文本阅读理解任务具有较高的鲁棒性.(本文来源于《模式识别与人工智能》期刊2019年05期）
田芳,孙晓,孙本旺[2]（2019）在《基于网络知识百科的情感语义抽取研究》一文中研究指出针对情感词汇语义关系抽取缺乏问题,提出一种简单有效地利用网络知识百科抽取情感词汇语义关系的方法。情感语义关系抽取采用的是递归算法,选用网络百度百科数据源为百度汉语,抽取内容包括情感词汇、情感词汇的同义词和反义词两种情感语义关系。其次,利用抽取出的情感词汇语义关系和现有倾向词典自动扩展标注情感词汇的情感倾向。该方法有效地构建了中文情感词汇语义关系,抽取结果和现有情感词典相比提高了情感词汇数量。同时,基于现有情感词典和抽取的情感词汇间语义关系,实现了快速地扩展情感词语的倾向标注。实验结果表明,抽取获得了2万多个中文情感词汇及其语义关系,并通过情感词汇语义关系实现对抽取词汇的情感倾向扩展标注,准确率达到78.1%。(本文来源于《计算机技术与发展》期刊2019年06期）
陈文杰,周海英[3]（2016）在《基于背景约束机制的目标识别方法及图像语义抽取》一文中研究指出多数图像目标识别过程只对主要目标物进行提取,再分类识别,造成图像背景信息丢失,为此提出一种背景约束机制(background restraint mechanism)下的目标识别方法。通过视觉注意模型分别提取图像的前景目标物和背景信息,实现图像的前景目标物与背景分离,通过对背景图像信息的提取识别形成对前景目标物的概率约束。将此约束机制引入分类器中形成一种BRM_GAM(background-restraint-mechanism_Gaussian ARTMAP)分类模型,对前景目标物进行分类识别。实验结果表明,该方法有较好识别效率和时效性,符合人类认知。此外,提出一种利用GAM模型提取图像语义字典直方图,进行图像语义抽取的方法。(本文来源于《计算机工程与设计》期刊2016年04期）
舒忠梅,左亚尧,张祖传[4]（2014）在《时态信息的语义抽取与排序方法研究及系统实现》一文中研究指出针对通用搜索引擎缺乏对网页内容的时态表达式的准确抽取及语义查询支持,提出时态语义相关度算法(TSRR)。在通用搜索引擎基础上添加了时态信息抽取和时态信息排序功能,通过引入时态正则表达式规则,抽取查询关键词和网页文档中的时态点或时态区间等时态表达式,综合计算网页内容的文本相关度和时态语义相关度,从而得到网页的最终排序评分。实验表明,应用TSRR算法可以准确而有效地匹配与时态表达式相关的关键词查询。(本文来源于《计算机工程与科学》期刊2014年08期）
成欣,李扬[5]（2014）在《一种基于本体的异构数据语义抽取方法》一文中研究指出针对领域科学数据异构多样、缺乏语义的问题,本文提出一种基于本体的异构数据语义抽取方法。首先,构建领域科学数据的语义抽取框架,并在此基础上分别针对结构化、半结构化以及非结构化数据制定相应的语义转换与抽取规则,形成局部领域本体;然后,通过异构数据间的关联映射,构建领域数据的全局本体,实现异构数据的有效组织与统一管理;最后,将相关方法应用到材料领域,为材料科学数据的有效管理与共享服务提供支撑。(本文来源于《计算机与现代化》期刊2014年06期）
江泳,产文,王金华,周向东,施伯乐[6]（2014）在《基于混合核方法的上下位语义抽取》一文中研究指出上下位语义抽取对于知识库构建、信息检索、智能语音以及其他语义应用都具有重要意义。如何有效地描述语义对象的上下文相似度是语义抽取的关键。文本核方法能在更高的维度上比较文本的语义相似性,显示出良好的应用前景。但是,目前常用的文本的语法解析树核以及文本序列核对子句长度较为敏感。提出一种新的混合文本核方法,在利用文本中词法和语法信息改进现有的解析树核和文本串核的基础上,对于句子长度具有自适应性。实验显示与已有核方法相比较,该方法取得了较好的效果,显着地提高了上下文语义抽取的准确率和召回率。(本文来源于《计算机应用与软件》期刊2014年04期）
江泳[7]（2013）在《基于混合核方法的上下位语义抽取》一文中研究指出利用海量的非结构化数据如Web文本构建知识库,已经成为近年来自然语言处理与机器学习领域的热门研究课题。自动知识库构建需要概念抽取和语义关系抽取两方面工作,概念提取旨在文本中发现名词概念,语义抽取旨在提取名词概念之间的语义关系,上下位关系是名词概念之间的一种重要关系。发掘名词概念之间的上下位语义对于构建语义字典、信息检索等具有重要作用。文本语义抽取一般采用分类模型,对于给定名词对判断其在特定上下文中是否存在语义关系,根据特征空间的不同,又分为基于传统文本特征和基于文本核的分类算法。前者使用例如N-Gram、词频词性等文本特征来描述词对周围的上下文,特征空间较为简单,并且难以刻画文本中较长的语法依赖。文本核能将原始特征映射到扩展后更高维度的希尔伯特特征空间,比以上基于特征的方法更能发掘句子的词法和语法特征。现有的文本核主要分为基于解析树和基于文本子串的核。实验显示,基于文本子串核的语义抽取准确率较高召回率较低,而解析树核则正好相反。随着目标词对之间距离的增大,这两种核的性能均会下降,但前者性能下降得更快。这主要因为当词对间距离增大时,文本子串核可以用作比较的子句变长,因而增大了不同子句之间出现相似词语序列的概率,导致相似度增大,降低了不同词对的区分度。另一方面,解析树核更强调语法解析树结构的相似度,因而对句子长度的增加相对不敏感。但对于解析树结构相似而词语完全不同的两个子句,单独从子树结构出发判断语义相似度显然不尽合理。为解决这些问题,提出一种自适应词对之间距离的混合核来进行上下位语义关系抽取的混合核。首先我们从句子的语法解析树出发,定义一种新的基于子路径的核。与其他解析树核过于依赖语法结构相比,该核加强了对原始词语参与句子成分构成上下位关系的考察。同时考虑到连续单词序列能更好的描述语义信息,我们基于词对的上下文序列定义了一种新的连续子序列核。最后我们使用加权平均方法来对这两种核进行融合。实验结果表明,混合之后的核不但显着提高了上下位语义关系抽取的准确率和召回率,还降低了子句长度对核函数性能的影响。对于概念网络构建,一方面我们需要自动化算法来尽量代替概念网络构建中的人工劳动,使构建的概念网络容易维护且易于更新,另一方面我们需要人工的知识来弥补自动构建中无法达到的部分效果,人工检验抽取出来的概念以及联系是否正确,为抽取出来的概念提供标签,这些标签是无法从文本中直接获取的抽象概念,因此自动构建算法需要与人工知识相结合才能保持准确率且适应大规模数据处理。本文利用已有的概念抽取以及关系抽取算法扩展人工构建的语义概念网络WordNet,在上下位语义抽取算法的基础上,本文设计了新的发掘文本中名词概念和语义关系的系统。该系统旨在结合现有的文本抽取工具和本文提出的新的上下位语义抽取算法,扩充已有的语义词典WordNet。通过该系统可以为语义应用如信息检索、社区问答、智能语音等提供更丰富的语义信息。(本文来源于《复旦大学》期刊2013-05-18）
邸东博[8]（2012）在《基于数学模型的语义抽取构建探析》一文中研究指出针对大量芜杂的信息使得读者陷入了尴尬境地的情况,从数学的角度进行了特定模型的语义抽取研究,并设计出一套科学合理的计算模式,以期对相关领域的理论研究及实践发展有所贡献。(本文来源于《科技情报开发与经济》期刊2012年24期）
关丽红[9]（2012）在《基于特定数学模型的语义抽取研究》一文中研究指出进入知识社会,大量芜杂的信息使得读者陷入了尴尬的境地,笔者针对此种情况,从数学的角度来进行特定模型的语义抽取研究,通过相似值的计算、过滤及最大墒值的自动提取等环节来为用户自动抽取简洁的信息需求内容,并设计出一套科学合理的计算模式,以期对相关领域的理论研究及实践发展有所贡献.(本文来源于《白城师范学院学报》期刊2012年03期）
徐爱萍,熊皓,黄源[10]（2007）在《GIS中文查询语句的查询条件语义抽取》一文中研究指出无论多么复杂的查询语句都是由查询目标和查询条件组成的,查询条件决定着查询语句的结构,查询条件之间可以是并列的,也可以是嵌套的,查询条件的顺序也不是固定的。本文采取信息抽取的原理来抽取查询条件语义信息,提出了抽取查询条件语义信息的算法,这些算法可形成中文查询语句的各种类型的查询条件。实验表明,这些算法可以有效地抽取查询条件语义信息。(本文来源于《计算机工程与科学》期刊2007年08期）
语义抽取论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对情感词汇语义关系抽取缺乏问题,提出一种简单有效地利用网络知识百科抽取情感词汇语义关系的方法。情感语义关系抽取采用的是递归算法,选用网络百度百科数据源为百度汉语,抽取内容包括情感词汇、情感词汇的同义词和反义词两种情感语义关系。其次,利用抽取出的情感词汇语义关系和现有倾向词典自动扩展标注情感词汇的情感倾向。该方法有效地构建了中文情感词汇语义关系,抽取结果和现有情感词典相比提高了情感词汇数量。同时,基于现有情感词典和抽取的情感词汇间语义关系,实现了快速地扩展情感词语的倾向标注。实验结果表明,抽取获得了2万多个中文情感词汇及其语义关系,并通过情感词汇语义关系实现对抽取词汇的情感倾向扩展标注,准确率达到78.1%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
语义抽取论文参考文献
[1].姜文超,庄志刚,涂旭平,利传杰,刘海波.结合外部知识的动态多层次语义抽取网络模型[J].模式识别与人工智能.2019
[2].田芳,孙晓,孙本旺.基于网络知识百科的情感语义抽取研究[J].计算机技术与发展.2019
[3].陈文杰,周海英.基于背景约束机制的目标识别方法及图像语义抽取[J].计算机工程与设计.2016
[4].舒忠梅,左亚尧,张祖传.时态信息的语义抽取与排序方法研究及系统实现[J].计算机工程与科学.2014
[5].成欣,李扬.一种基于本体的异构数据语义抽取方法[J].计算机与现代化.2014
[6].江泳,产文,王金华,周向东,施伯乐.基于混合核方法的上下位语义抽取[J].计算机应用与软件.2014
[7].江泳.基于混合核方法的上下位语义抽取[D].复旦大学.2013
[8].邸东博.基于数学模型的语义抽取构建探析[J].科技情报开发与经济.2012
[9].关丽红.基于特定数学模型的语义抽取研究[J].白城师范学院学报.2012
[10].徐爱萍,熊皓,黄源.GIS中文查询语句的查询条件语义抽取[J].计算机工程与科学.2007
标签：机器阅读理解(MRC); 语义匹配; 动态双向注意力机制; 外部知识;