申请/专利权人：中原工学院

申请日：2023-12-14

公开（公告）日：2024-04-30

公开（公告）号：CN117952105A

主分类号：G06F40/295

分类号：G06F40/295;G06N5/04;G06N3/042;G06N3/0464;G06F18/24;G06F18/22

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.17#实质审查的生效;2024.04.30#公开

摘要：本发明公开了一种基于因果关系表示增强的跨领域命名实体的方法，首先将源域的语义特征与目标域的语义特征进行融合，生成一种增强的上下文语义特征表示。然后，通过结构因果模型捕捉增强后的特征变量与标签之间的因果关系，以便更好地理解和利用这些关系。最后，在目标域中应用因果干预和反事实推断策略，提取存在的直接因果效应特征表示，用于进一步优化预测效果。在五个英文数据集和一个专有的跨领域实体识别数据CrossNER上，与现有方法相比，CRRE‑NER模型平均性能提高了0.36%，在小样本场景中的跨领域任务提高幅度达到1.05%。这表明提取和利用潜在的因果关系可有效增强对目标域实体识别的能力。

主权项：1.一种基于因果关系表示增强的跨领域命名实体的方法，采用BERT作为骨干模型，结构因果模型作为因果关系捕捉器，干预和反事实作为具有因果效应的语义特征提取器，构建CRRE-NER架构模型，CRRE-NER架构模型包括语义特征融合模块、因果学习模块、干预和反事实模块，其特征在于，包括以下步骤：S1训练源域模型：利用源领域的训练数据训练一个模型，通过目标数据集获取模型中具有因果关系的语义特征；S2语义特征融合：通过将源域中的特征知识迁移到目标域中进行语义特征融合，从而结合领域之间的语义特征知识；S3因果学习：捕捉融合语义特征与目标域标签的因果关系；S4干预和反事实：通过干预和反事实来提取蕴含的直接因果效应特征表示获取最优的结果。

全文数据：

权利要求：

百度查询： 中原工学院 一种基于因果关系表示增强的跨领域命名实体的方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD