原文服务方: 计算机应用研究       
摘要:
为解决采用softmax作为长短期记忆网络分类器导致实体关系识别模型泛化能力不足,不能较好适用中医实体关系抽取等问题,提出一种融合梯度提升树的双向长短期记忆网络的关系识别算法(BILSTM-GBDT).先采用word2vec对中医文本进行向量化表示,再利用基于注意力机制的双向长短期记忆网络提取高阶特征,最后采用集成分类模型梯度提升树作为特征分类器,提高关系识别效果.在中医等多个关系语料库上的实验结果表明,该模型与传统SVM方法、GBDT方法及其深度学习方法相比,均有更高的精确率、召回率和F值.
推荐文章
基于注意力机制的LSTM的语义关系抽取
文本信息
语义关系
关系抽取
LSTM
注意力机制
基于word2vec和双向LSTM的情感分类深度模型
文本分类
情感分析
双向长短时记忆循环神经网络
词向量
社交网络
基于CNN和双向LSTM融合的实体关系抽取
实体关系抽取
卷积神经网络
长短期记忆网络
注意力机制
基于ResNet和双向LSTM融合的物联网入侵检测分类模型构建与优化研究
入侵检测
残差网络
双向LSTM网络
图像分类
物联网
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于双向LSTM和GBDT的中医文本关系抽取模型
来源期刊 计算机应用研究 学科
关键词 关系抽取 长短期记忆网络 梯度提升树 注意力机制 中医文本
年,卷(期) 2019,(12) 所属期刊栏目 算法研究探讨
研究方向 页码范围 3744-3747
页数 4页 分类号 TP391.41
字数 语种 中文
DOI 10.19734/j.issn.1001-3695.2018.07.0420
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 杜建强 江西中医药大学计算机学院 78 376 10.0 16.0
2 罗计根 江西中医药大学计算机学院 11 20 3.0 4.0
3 熊旺平 江西中医药大学计算机学院 28 51 3.0 5.0
4 聂斌 江西中医药大学计算机学院 49 122 6.0 9.0
5 刘蕾 江西中医药大学计算机学院 7 9 2.0 3.0
6 贺佳 江西中医药大学计算机学院 5 10 2.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (84)
共引文献  (126)
参考文献  (11)
节点文献
引证文献  (2)
同被引文献  (0)
二级引证文献  (0)
1954(1)
  • 参考文献(0)
  • 二级参考文献(1)
1972(1)
  • 参考文献(0)
  • 二级参考文献(1)
1983(1)
  • 参考文献(0)
  • 二级参考文献(1)
1997(1)
  • 参考文献(1)
  • 二级参考文献(0)
1998(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(3)
  • 参考文献(1)
  • 二级参考文献(2)
2002(2)
  • 参考文献(0)
  • 二级参考文献(2)
2003(2)
  • 参考文献(0)
  • 二级参考文献(2)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(8)
  • 参考文献(0)
  • 二级参考文献(8)
2006(3)
  • 参考文献(0)
  • 二级参考文献(3)
2007(6)
  • 参考文献(0)
  • 二级参考文献(6)
2008(9)
  • 参考文献(0)
  • 二级参考文献(9)
2009(2)
  • 参考文献(0)
  • 二级参考文献(2)
2010(6)
  • 参考文献(0)
  • 二级参考文献(6)
2011(8)
  • 参考文献(0)
  • 二级参考文献(8)
2012(6)
  • 参考文献(1)
  • 二级参考文献(5)
2013(10)
  • 参考文献(1)
  • 二级参考文献(9)
2014(4)
  • 参考文献(0)
  • 二级参考文献(4)
2015(6)
  • 参考文献(1)
  • 二级参考文献(5)
2016(8)
  • 参考文献(1)
  • 二级参考文献(7)
2017(4)
  • 参考文献(3)
  • 二级参考文献(1)
2018(2)
  • 参考文献(2)
  • 二级参考文献(0)
2019(2)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(2)
  • 二级引证文献(0)
2019(2)
  • 引证文献(2)
  • 二级引证文献(0)
研究主题发展历程
节点文献
关系抽取
长短期记忆网络
梯度提升树
注意力机制
中医文本
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机应用研究
月刊
1001-3695
51-1196/TP
大16开
1984-01-01
chi
出版文献量(篇)
21004
总下载数(次)
0
总被引数(次)
238385
论文1v1指导