【技术实现步骤摘要】
本专利技术属于领域知识图谱实体识别，具体涉及一种基于多特征融合学习的领域知识图谱实体识别方法。
技术介绍
1、领域知识图谱作为一种结构化的知识表示方法，在诸多特定领域展现出了其独特的价值，例如在人工智能、医疗、法律、教育等专业领域，对知识的精确性和深度要求极高。在专业领域中，命名实体识别作为构建知识图谱的关键技术和环节，由于数据的稀缺性或难以获取，导致生成的知识图谱在专业领域的覆盖度和准确性上存在限制。以下是几种常用的技术方案：
2、1.基于多语义的级联transformer中文医疗实体识别方法，通过匹配句子和外部医疗词典，构建包含汉字和匹配词汇的lattice序列。采用句法解析器来解析输入的句子，得到句子的句法树，并设计句法关系转换规则将基于词的句法树结果转换为基于字的句法关系矩阵。将lattice序列传入lattice transformer模块，利用词汇感知的自注意力机制来建模lattice特征。将得到的lattice特征和句法关系矩阵传入syntax transformer模块来进一步提取句法特征。通过这种级联的建模...
【技术保护点】
1.一种基于多特征融合学习的领域知识图谱实体识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多特征融合学习的领域知识图谱实体识别方法，其特征在于，所述步骤S1具体包括以下分步骤：
3.根据权利要求2所述的基于多特征融合学习的领域知识图谱实体识别方法，其特征在于，步骤S11中所述句子集合S为：
4.根据权利要求1所述的基于多特征融合学习的领域知识图谱实体识别方法，其特征在于，步骤S2中所述BiLSTM+Fused attention网络包括BiLSTM模块和Fused attention模块；
5.根据权...
【技术特征摘要】
1.一种基于多特征融合学习的领域知识图谱实体识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多特征融合学习的领域知识图谱实体识别方法，其特征在于，所述步骤s1具体包括以下分步骤：
3.根据权利要求2所述的基于多特征融合学习的领域知识图谱实体识别方法，其特征在于，步骤s11中所述句子集合s为：
4.根据权利要求1所述的基于多特征融合学习的领域知识图谱实体识别方法，其特征在于，步骤s2中所述bilstm+fused attention网络包括bilstm模块和fused attention模块；
5.根据权利要求4所述的基于多特征融合学习的领域知识图谱实体识别方法，其特征在于，所述增强后的特征bl表述公式为：
6.根据权利要求4所述的基于多特征融合学习的领域知...
【专利技术属性】
技术研发人员：李婵，李瑞，黑蕾，邢钧峰，徐悦甡，马寅汝，王琳方，杜璇，张涵，
申请(专利权)人：青海师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。