论文浅尝 | 使用循环神经网络的联合事件抽取

 

余博涛,南京大学计算机科学与技术系,硕士研究生

论文连接:http://www.aclweb.org/anthology/N16-1034

发表会议:NAACL-HLT 2016

摘要

事件抽取(event extraction)是信息抽取中一个特别具有挑战性的问题。针对该问题的最先进的模型要么应用流水线框架(pipelined framework)的卷积神经网络(convolutional neural networks),要么采用通过具有丰富的局部和全局特征进行结构化预测(structured prediction)的联合架构(joint architecture)。前者基于连续和泛化的单词表示,能够从数据中自动学习隐藏特征表示,而后者则能够减缓流水线方法的错误传播问题,并通过离散结构来利用事件触发词(trigger)和论元角色(argument role)之间的相互依赖关系。在本文的工作中,我们提出了一个双向循环神经网络(bidirectional recurrent neural networks,bidirectional RNN)的联合框架来进行事件提取的方法,从而受益于前面所述的两个模型的优点,并解决现有方法中固有的问题。我们系统地研究了此联合模型的不同记忆特征(memory features),并验证该模型在ACE 2005数据集上达到了最好的性能。

继续阅读“论文浅尝 | 使用循环神经网络的联合事件抽取”

领域应用 | 企业效益最大化的秘密:知识图谱

 

本文转载自公众号:TigerGraph

凡是有关系的地方都可以用知识图谱。

知识图谱

知识图谱是用节点和关系所组成的图谱,为真实世界的各个场景直观地建模,运用“图”这种基础性、通用性的“语言”,“高保真”地表达这个多姿多彩世界的各种关系。在这些复杂的关系中蕴藏了巨大价值。

但人们在挖掘和管理这些关系的过程中,往往把问题复杂化,或者遗漏掉很多有价值的信息。而知识图谱则非常直观、自然和高效,不需要中间过程的转换和处理各类复杂的关系。

继续阅读“领域应用 | 企业效益最大化的秘密:知识图谱”

技术动态 | 藏经阁计划发布一年,阿里知识引擎有哪些技术突破?

 

本文转载自公众号:阿里技术

导读:2018年4月阿里巴巴业务平台事业部——知识图谱团队联合清华大学、浙江大学、中科院自动化所、中科院软件所、苏州大学等五家机构,联合发布藏经阁(知识引擎)研究计划。

藏经阁计划依赖阿里强大的计算能力(例如Igraph图数据库),和先进的机器学习算法(例如PAI平台)。计划发布一年以来,阿里知识图谱团队有哪些技术突破?今天一起来了解。

继续阅读“技术动态 | 藏经阁计划发布一年,阿里知识引擎有哪些技术突破?”

论文浅尝 | 面向知识图谱补全的共享嵌入神经网络模型

论文笔记整理:谭亦鸣,东南大学博士生,研究方向为跨语言知识图谱问答。

来源:CIKM’2018

链接:http://delivery.acm.org/10.1145/3280000/3271704/p247-guan.pdf?ip=121.249.15.96&id=3271704&acc=ACTIVE%20SERVICE&key=BF85BBA5741FDC6E%2EEEBE655830483280%2E4D4702B0C3E38B35%2E4D4702B0C3E38B35&__acm__=1553323826_2f92f0c5be62fc57d71a8cc02bf2335b

继续阅读“论文浅尝 | 面向知识图谱补全的共享嵌入神经网络模型”