基于改进BiRTE的渔业健康养殖标准复杂关系抽取

为解决渔业健康养殖标准文本关系抽取领域特定性强、语意复杂导致关系抽取准确率不高等问题,提出了基于改进BiRTE的渔业健康养殖标准复杂关系抽取方法,针对实体和语义关联建模,将RoBERTa作为编码器,采用全词掩码和动态掩码的方式增强词向量特征表示,并在此基础上融合了自注意力机制(Self-Attention, SelfATT)将实体特征与关系特征结合聚焦,加强实体抽取与关系预测的联系,从而提升渔业标准文本抽取的准确性。结果表明：本文提出的基于改进BiRTE的渔业健康养殖标准复杂关系抽取模型(RoBERTa-BiRTE-SelfATT)对渔业标准复杂关系抽取的准确率、召回率和F1值分别为95.9%、95.4%、95.7%,较BiRTE模型分别提升了4.2%、3.1%、3.8%。研究表明,本文提出的渔业健康养殖标准复杂关系抽取模型RoBERTa-BiRTE-SelfATT可以有效解决渔业标准文本关系抽取中专有名词识别不准确、语意复杂导致实体关系难以抽取的问题,是一种有效的渔业标准复杂关系抽取方法。     

面向知识图谱构建的水产动物疾病诊治命名实体识别

疾病诊治是水产动物健康养殖工程的重要支撑，知识图谱是水产动物疾病诊治知识表示及应用的有效手段，命名实体识别是构建水产动物疾病诊治知识图谱的关键。针对一词多义、实体嵌套等导致的水产动物疾病诊治命名实体识别准确率不高的问题，该研究提出了融合BERT（Bidirectional Encoder Representations from Transformers）与CaBiLSTM （Cascade Bi-directional Long Short-Term Memory）的实体识别模型。首先，建立水产动物疾病诊治专用语料库，并利用语料库中的数据对设计的模型进行训练；其次，采用"分层思想"设计CaBiLSTM模型进行嵌套实体识别，用降维的内层实体特征提升外层实体的辨析度，并引入BERT模型增添实体位置信息；最后，为验证所提出方法的有效性进行对比试验。试验结果表明，提出的融合BERT与CaBiLSTM模型对水产动物疾病诊治命名实体识别准确率、召回率、F1值分别达到93.07%、92.85%、92.96%。研究表明，该模型能够有效解决水产动物疾病诊治命名实体识别过程中由于一词多义、实体嵌套等导致的识别准确率不高问题，可提高水产动物疾病诊治知识图谱的构建质量，促进水产健康养殖工程发展。