您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202012-68
论文题目 基于多通道注意力的科技需求大数据实体关系抽取
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于多通道注意力的科技需求大数据实体关系抽取

首发时间:2020-12-18

黄恩一 1   

黄恩一(1996-),男,硕士研究生,主要研究方向:大数据处理与数据挖掘

杜军平 1   

杜军平(1963-), 女, 北京邮电大学教授, 博导, 主要研究方向:主要研究领域为人工智能, 数据挖掘,机器学习等。

  • 1、北京邮电大学计算机学院,北京 100876

摘要:随着科学技术的发展,利用科技需求大数据中地实体关系来进行演进规律分析成为了一个重要的研究方向。通过对科技需求大数据文本信息进行实体关系抽取,人们可以更加详细的对科学技术之间的关系进行分析,全面地了解科技的发展态势,从而分析科技需求地发展趋势和规律。然而科技需求数据存在实体数量密集、实体之间关系复杂以及特征属性繁多等研究难点,导致科技需求大数据实体关系抽取准确率不高。针对以上问题本文提出一种基于多通道注意力机制的科技需求大数据实体关系抽取算法(Big Data of Science And Technology Demand Based on Multi-Channel Attention Mechanism)来进行实体关系抽取。试验结果表明:在不用外部资源的情况下,本算法在科技需求大数据中实体关系抽取的准确率、召回率以及F1值比其他对比算法均有所提升,准确率提升值为4.6%、召回率提升值为5.1%、F1值的提升值为4.3%。

关键词: 科技需求大数据 实体关系抽取 多通道注意力机制 演进规律分析

For information in English, please click here

Entity relationship extraction of technology demand big data based on multi-channel attention

HUANG Enyi 1   

黄恩一(1996-),男,硕士研究生,主要研究方向:大数据处理与数据挖掘

DU Junping 1   

杜军平(1963-), 女, 北京邮电大学教授, 博导, 主要研究方向:主要研究领域为人工智能, 数据挖掘,机器学习等。

  • 1、School of Computer, Beijing University of Posts and Telecommunications,Beijing 100876

Abstract:With the development of science and technology, it has become an important research direction to analyze the evolution law by using the relationship between land entities in big data of science and technology demand. Through the extraction of entity relationship of text information of big data of science and technology demand, people can analyze the relationship between science and technology in more detail, comprehensively understand the development trend of science and technology, and analyze the development trend and law of science and technology demand. However, there are many difficulties in the research of science and technology demand data, such as the number of entities is dense, the relationship betwEntity relEntity relationship extraction of science and technology demand big data based on multi-channel attentionationship extraction of science and technology demand big data based on multi-channel attentioneen entities is complex, and the feature attributes are various, which lead to the low accuracy of entity relationship extraction of science and technology demand big data. To solve the above problems, this paper proposes a big data of science and technology demand based on multi-channel attention mechanism to extract entity relationship. The experimental results show that: in the case of no external resources, the accuracy rate, recall rate and F1 value of this algorithm in the extraction of entity relationship in the big data of science and technology demand are improved compared with other comparative algorithms, the improvement value of accuracy rate is 4.6%, recall rate is 5.1%, and F1 value is 4.3%.

Keywords: Big data of science and technology demand Entity relation extraction Multi channel attention mechanism Analysis of evolution law

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
黄恩一,杜军平. 基于多通道注意力的科技需求大数据实体关系抽取[EB/OL]. 北京:中国科技论文在线 [2020-12-18]. http://www.paper.edu.cn/releasepaper/content/202012-68.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于多通道注意力的科技需求大数据实体关系抽取