實體解析是指匹配并合并數(shù)據(jù)中指向現(xiàn)實世界同一實體的數(shù)據(jù)記錄,它是數(shù)據(jù)清洗數(shù)據(jù)集成中關鍵的一步。傳統(tǒng)的實體解析研究工作主要是針對一個或多個數(shù)據(jù)庫中的數(shù)據(jù)記錄進行解析。網(wǎng)頁數(shù)據(jù)具有非結(jié)構(gòu)化,非格式化的特性,且真實數(shù)據(jù)中數(shù)據(jù)問題是多種多樣的,因此傳統(tǒng)匹配特征單一的算法很難獲得令人滿意的召回效果。本文通過對萬方網(wǎng)上的論文數(shù)據(jù)進行爬取與解析,構(gòu)建科研信息知識庫,與傳統(tǒng)實體解析工作具有不同的應用背景。本文首先分析了現(xiàn)有實體解析算法的特點,提出了基于文本匹配的實體解析算法模型。將長文本語義屬性的相似度計算看作文本匹配問題,根據(jù)實體解析應用場景對文本匹配模型進行調(diào)整,結(jié)合字符級相似度度量方式,捕捉數(shù)據(jù)對中字符相似度特征和語義相似度特征,對數(shù)據(jù)進行實體解析。實驗證明該方法比傳統(tǒng)僅考慮字符相似度特征的算法在數(shù)據(jù)噪音較大的任務中能獲得更好的結(jié)果。隨后分析了實際網(wǎng)站中爬取的科研數(shù)據(jù)特點,提出了結(jié)合屬性相似度、關系相似度、語義信息相似度的多特征融合實體解析算法。爬取科研論文數(shù)據(jù),標注數(shù)據(jù)構(gòu)建數(shù)據(jù)集。對機構(gòu)名稱相似度、關系網(wǎng)絡相似度、研究領域相似度三種特征進行研究與實驗,設計了科研機構(gòu)名稱特征詞算法,構(gòu)建科研機構(gòu)關...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

圖２－１卷積神經(jīng)網(wǎng)絡中ｐｏｏｌｉｎｇ層示意圖??

它是對循環(huán)神經(jīng)網(wǎng)絡ＲＮＮ的一種改進，ＲＮＮ只能較好地利用較近的??信息，對于較遠的信息會逐漸削弱，針對ＲＮＮ無法解決的長期依賴問題，ＬＳＴＭ??在循環(huán)神經(jīng)單元中增加了三個交互層，如圖２－２所示。ＬＳＴＭ神經(jīng)單元有一條水??平線貫穿整個模型結(jié)構(gòu)，它表征著細胞狀態(tài)，與每個神經(jīng)單元的輸....

圖２－２?ＬＳＴＭ神經(jīng)單元結(jié)構(gòu)示意圖??ＬＳＴＭ的第一步是決定從細胞狀態(tài)中丟棄多少信息，即ｆｔ函數(shù)，也稱為“忘??

ＢＤＢＤ?ＢＢ???＞??圖２－１卷積神經(jīng)網(wǎng)絡中ｐｏｏｌｉｎｇ層示意圖??Ｒｅｌｕ是一個非線性的激活函數(shù)，它的表達式是ｍａｘ（０，ｘ）。如果在網(wǎng)絡結(jié)構(gòu)中??不使用激活函數(shù)，那么每一層的輸出都將會是輸入的線性組合，就會失去隱藏層??的效果，無法逼近任意函數(shù)。所以需要引入非線性的激活....

圖３－２基于匹配矩陣的文本匹配模型機構(gòu)??通過卷積核，第一個卷積層可以捕捉詞與詞之間的匹配特征，第二層卷積層??捕捉到ｎ元組匹配信息，如“喬丹和詹姆斯”與“詹姆斯與喬丹”，“很受歡迎”??與“非常出名”

？?Ｑ⑩？？＃？？？??受麵??圖３－１文本匹配矩陣??在圖像識別領域，卷積神經(jīng)網(wǎng)絡（ＣＮＮ）被廣泛的應用，它能成功地從像素??中一層一層的抽取出圖像的各種級別的相似度特征。受此啟發(fā)，ＰａｎｇＬｉａｎｇ等人??［２１】提出把文本匹配問題看作圖像識別問題，并用ＣＮＮ網(wǎng)絡來捕捉兩個文....

圖３－３基于文本匹配的實體解析算法模型??

??圖３－３基于文本匹配的實體解析算法模型??正如圖３－３所示，ｎ和ｒｊ表示兩個數(shù)據(jù)記錄組成的數(shù)據(jù)記錄對，Ａｉ，Ａ２，Ａ３．．．Ａｎ??分別為數(shù)據(jù)的各個屬性，紅色表示的屬性代表長文本屬性，藍色表示的屬性代表??數(shù)值、名詞性屬性。紅色和藍色的方框分別代表語義相似度模塊和字符相似度模....

本文編號：4052797