申请/专利权人:广东工业大学
申请日:2020-08-05
公开(公告)日:2024-04-26
公开(公告)号:CN111950264B
主分类号:G06F40/247
分类号:G06F40/247;G06F40/295;G06F40/30;G06F16/33;G06N3/045;G06N3/0442;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2024.04.26#授权;2020.12.04#实质审查的生效;2020.11.17#公开
摘要:本发明公开了一种文本数据增强方法及知识元抽取方法,其中所述文本数据增强方法包括自第一补充数据库和第二补充数据库中筛选相似文本的过程,其中所述第一补充数据库源自与基础数据集相近领域的知识库,所述第二补充数据库源自基础数据集中实体词语的同义词。本发明的数据增强方法可对来源较少的基础数据产生高效、大量的补充,基于该增强方法增强后的数据集完成训练的知识元抽取模型具有较高的泛化能力和抽取准确性。
主权项:1.一种文本数据增强方法,其特征在于:包括自第一补充数据库和第二补充数据库中筛选相似文本的过程,其中所述第一补充数据库源自与基础数据集相近领域的知识库,所述第二补充数据库源自基础数据集中实体词语的同义词;其中,所述第一补充数据库通过其含有的实体词语经网页爬取获得,所述第二补充数据库通过其含有的实体词语的同义词经网页爬取获得;所述相似文本通过以下过程判定:S51:将来自所述第一补充数据库中的短文本与来自第二补充数据库中的短文本进行分词和标注,计算其分离出的实体词语之间的词向量余弦相似度,即实体词语相似度;S52:计算其分离出的实体词语之外的其他词语之间的词向量余弦相似度,将其中相似度大于阈值的同词性词语配对为重叠词语,计算重叠词语的在词性特征下的加权相似度,即重叠词语相似度;S53:将所述实体词语相似度与所述重叠词语相似度进行加权平均,得到文本相似度;对所述第一补充数据库和所述第二补充数据库中的文本进行针对文本相似度的迭代计算,每次迭代中所得文本相似度最大的两个文本为相似文本;所述同义词通过同义词裂变获得,所述同义词裂变包括:自语料中获取与基础数据集中的实体词语具有词向量余弦相似的词语,即该实体词语的同义词;每次裂变的同义词的数量设置为1-4。
全文数据:
权利要求:
百度查询: 广东工业大学 文本数据增强方法及知识元抽取方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。