农产品标准不仅是衡量农产品安全的尺度,也是农产品安全监管的重要依据,当前农产品标准信息并没有得到系统性的关联划分与复用。针对此问题,该研究依据标准化文件的起草规范设计了农产品标准信息本体规则,在现有的农产品标准文件及相关...农产品标准不仅是衡量农产品安全的尺度,也是农产品安全监管的重要依据,当前农产品标准信息并没有得到系统性的关联划分与复用。针对此问题,该研究依据标准化文件的起草规范设计了农产品标准信息本体规则,在现有的农产品标准文件及相关词条数据基础上,为半结构化数据设计了正则包装器;为非结构化文本提出了一个基于依存句法分析的农产品领域开放关系抽取模型(Open Relation Extraction Model In Agricultural Products Field, OREM-AF),实现了该领域知识的自动抽取。结果表明该研究设计的包装器在提取半结构化数据信息时,准确率与F1值均在95%以上;提出的OREM-AF模型在农产品语料上准确率达74.22%、F1值为75.12%,在通用语料上准确率达84.51%、F1值为75.43%,抽取结果均好于基于依存句法分析的其他模型。依托抽取数据构建了农产品标准领域知识图谱,并在知识图谱的相互关联网络上进行了标准社区挖掘,挖掘出的关联标准知识能够为农产品标准监管提供辅助分析支撑。展开更多
针对于目前传统的命名实体识别模型在食品案件纠纷裁判文书领域的准确率不足的问题,在双向长短时记忆网络的基础上提出一种基于双向编码器表示模型(bidirectional encoder representations from transformers, Bert)和注意力机制的命名...针对于目前传统的命名实体识别模型在食品案件纠纷裁判文书领域的准确率不足的问题,在双向长短时记忆网络的基础上提出一种基于双向编码器表示模型(bidirectional encoder representations from transformers, Bert)和注意力机制的命名实体识别模型。模型通过Bert层进行字向量预训练,根据上下文语意生成字向量,字向量序列输入双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)层和Attention层提取语义特征,再通过条件随机场(conditional random field, CRF)层预测并输出字的最优标签序列,最终得到食品案件纠纷裁判文书中的实体。实验表明,该模型在食品纠纷法律文书上面的准确率和F1值分别达到了92.56%和90.25%,准确率相较于目前应用最多的BiLSTM-CRF模型提升了6.76%。Bert-BiLSTM-Attention-CRF模型通过对字向量的预训练,充分结合上下文语意,能够有效克服传统命名实体识别模型丢失字的多义性的问题,提高了食品案件纠纷裁判文书领域命名实体识别的准确率。展开更多
文摘农产品标准不仅是衡量农产品安全的尺度,也是农产品安全监管的重要依据,当前农产品标准信息并没有得到系统性的关联划分与复用。针对此问题,该研究依据标准化文件的起草规范设计了农产品标准信息本体规则,在现有的农产品标准文件及相关词条数据基础上,为半结构化数据设计了正则包装器;为非结构化文本提出了一个基于依存句法分析的农产品领域开放关系抽取模型(Open Relation Extraction Model In Agricultural Products Field, OREM-AF),实现了该领域知识的自动抽取。结果表明该研究设计的包装器在提取半结构化数据信息时,准确率与F1值均在95%以上;提出的OREM-AF模型在农产品语料上准确率达74.22%、F1值为75.12%,在通用语料上准确率达84.51%、F1值为75.43%,抽取结果均好于基于依存句法分析的其他模型。依托抽取数据构建了农产品标准领域知识图谱,并在知识图谱的相互关联网络上进行了标准社区挖掘,挖掘出的关联标准知识能够为农产品标准监管提供辅助分析支撑。
文摘针对于目前传统的命名实体识别模型在食品案件纠纷裁判文书领域的准确率不足的问题,在双向长短时记忆网络的基础上提出一种基于双向编码器表示模型(bidirectional encoder representations from transformers, Bert)和注意力机制的命名实体识别模型。模型通过Bert层进行字向量预训练,根据上下文语意生成字向量,字向量序列输入双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)层和Attention层提取语义特征,再通过条件随机场(conditional random field, CRF)层预测并输出字的最优标签序列,最终得到食品案件纠纷裁判文书中的实体。实验表明,该模型在食品纠纷法律文书上面的准确率和F1值分别达到了92.56%和90.25%,准确率相较于目前应用最多的BiLSTM-CRF模型提升了6.76%。Bert-BiLSTM-Attention-CRF模型通过对字向量的预训练,充分结合上下文语意,能够有效克服传统命名实体识别模型丢失字的多义性的问题,提高了食品案件纠纷裁判文书领域命名实体识别的准确率。
