基于多任务学习的层次类别命名实体识别模型设计方法.pdf

基于多任务学习的生物医学触发词检测和命名实体识别方法.pdf (19)国家知识产权局 (12)发明专利 (10)授权公告号 CN 113360667 B (45)授权公告日 2022.07.26 (21)申请号 202110617440.1 CN 104965819 A,2015.10.07 (22)申请日

2023-06-21 约1.98万字 12页立即下载

基于特征和类别干预的少样本实体识别方法与模型.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114548104 A (43)申请公布日 2022.05.27 (21)申请号 202210117810.X (22)申请日 2022.02.08 (71)申请人南华大学

2023-05-10 约2.16万字 18页立即下载

基于深度学习的多模态命名实体识别模型研究.pdf 基于深度学习的多模态命名实体识别模型研究摘要知识图谱是知识工程的重要分支之一，它以符号形式结构化地描述了物理世界中的概念及其相互关系。命名实体识别是从文本中获取面向实体的知识，并在知识图谱之间融合知识。近年来，随着人工智能的发展和大数据时代的到来，产生了海量的多模态数据，对这些数据的处理和挖掘能够帮助人们更好地理解文本内容，掌握有价值的信息。多模态命名实体识别可以结合多种模态数据的信息，实现更加准确的实体识别任务，为知识图谱的构建提供更为丰富的实体类型。随着深度学习的迅速发展，基于神经网络的多模态命名实体识别模型提出借助图像对社交媒体文本中的命名实体进行识别成为近年来的研究热

2025-05-26 约9.37万字 62页立即下载

基于大语言模型的命名实体识别方法研究.docx 基于大语言模型的命名实体识别方法研究目录 1.内容概要 2 1.1研究背景与意义 2 1.2国内外研究现状 2 1.3研究内容与方法 3 2.基于大语言模型的命名实体识别技术概述 3 2.1命名实体识别(NER)技术简介 3 2.2大语言模型技术简介 4 2.3命名实体识别在自然语言处理中的应用 5 2.4现有技术存在的问题与挑战 6 3.基于大语言模型的命名实体识别方法研究 7 3.1模型结构设计 7 3.1.1模型框架设计 8 3.1.2数据预处理与增强 9 3.2算法优化策略 10 3.2.1特征选择与提取 11 3.2.2损失函数的设计与调整 12 3.3实验设计与结果分析 13 3

2025-03-28 约1.32万字 32页立即下载

一种基于多任务学习的遮挡行人重识别方法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 112801051 A (43)申请公布日 2021.05.14 (21)申请号 202110333021.5 (22)申请日 2021.03.29 (71)申请人哈尔滨理工大学地址

2023-06-05 约1.11万字 11页立即下载

基于多任务学习的声纹识别方法研究.pdf 基于多任务学习的声纹识别方法研究摘要声纹识别也称为说话人识别，作为一种生物特征识别技术被广泛应用在公安司法、军队国防、保安和证件防伪等诸多领域。随着深度学习的不断普及和发展，众多深度学习模型已经在声纹识别领域取得了良好的实验效果，然而由于人类发声器官的独特性，声纹特征中包含的信息非常丰富，单任务声纹识别模型不能很好的捕获并利用这些特征来提高声纹识别的准确率。本文结合声纹识别领域和多任务学习领域的发展现状，研究基于多任务学习的声纹识别方法，充分利用声纹中的丰富特征进行 多任务学习，通过学习多任务之间的相关性知识提高声纹识别的最终效果。针对单任务声纹识别模型未能充分利用声纹特征中说

2025-05-18 约10.05万字 66页立即下载

基于迁移学习的小样本命名实体识别方法研究.pdf 基于迁移学习的小样本命名实体识别方法研究摘要近年来，深度学习因其出色的特征提取能力和高精度表现在机器学习领域备受瞩目，但仍需要大量标注数据进行有效训练。在许多实际应用场景中，缺乏标注数据和高成本的人工标注是命名实体识别任务难以解决的问题，在特定领域、小语种等缺乏标注资源的情况下尤为明显。迁移学习中的领域自适应是一种有效的方法，能够通过调整源领域模型参数以适应目标领域，解决命名实体识别任务中标注数据匮乏和难以进行实体标注的问题。现有的领域自适应方法以及小样本命名实体识别还存在以下问题：第一，虽然最大均值差异方法可以减少源领域和目标领域之间特征分布的差异，但其忽略了类别信息，从而

2025-05-23 约10.8万字 66页立即下载

基于深度学习的命名实体识别.docx 基于深度学习的命名实体识别 基于深度学习的命名实体识别 一、深度学习技术概述深度学习作为机器学习的一个分支，近年来在各个领域取得了显著的进展。它通过模拟人脑的神经网络结构，构建多层的计算模型，能够自动提取数据的高层特征。深度学习技术的核心在于其能够处理复杂的非线性关系，这使得它在图像识别、语音识别、自然语言处理等领域表现出色。本文将探讨深度学习技术在命名实体识别（NER）中的应用，分析其重要性、挑战以及实现途径。 1.1深度学习技术的核心特性深度学习技术的核心特性主要体现在以下几个方面：自动特征提取、多层次表示学习、以及强大的泛化能力。自动特征提取是指深度学习模型能够从原始数据中自动学习到

2024-12-13 约4.17千字 10页立即下载

多任务学习赋能下的嵌套命名实体与关系联合抽取技术探究.docx 多任务学习赋能下的嵌套命名实体与关系联合抽取技术探究一、引言 1.1研究背景与意义 1.1.1研究背景在自然语言处理（NaturalLanguageProcessing,NLP）领域，嵌套命名实体和关系联合抽取作为关键技术，正逐渐成为学术界和工业界的研究热点。随着互联网技术的飞速发展，大量非结构化文本数据如潮水般涌现，如何从这些海量数据中高效、准确地提取有价值的信息，成为了亟待解决的问题。嵌套命名实体识别（NestedNamedEntityRecognition,N-NER）旨在识别文本中具有层次嵌套结构的命名实体，例如在“苹果公司的创始人乔布斯”这句话中，“苹果公司

2025-04-29 约3.87万字 32页立即下载

2025-01-18 约1.79万字 27页立即下载

基于预训练模型的航天情报命名实体识别方法研究：技术、应用与创新.docx 基于预训练模型的航天情报命名实体识别方法研究：技术、应用与创新一、引言 1.1研究背景与意义随着航天技术的迅猛发展，全球航天活动日益频繁，航天领域产生的数据量呈爆发式增长。这些数据涵盖了卫星发射记录、轨道参数、航天器研发资料、太空观测报告、航天任务新闻资讯等多方面的信息，构成了庞大的航天情报资源体系。在当今信息时代，如何从海量且复杂的航天情报中快速、准确地提取关键信息，成为了航天领域研究与发展的重要课题。命名实体识别（NamedEntityRecognition，NER）作为自然语言处理（NaturalLanguageProcessing，NLP）中的一项基础且关键的技术，能够从

2025-03-14 约2.89万字 23页立即下载

一种基于规则和改进预训练模型的命名实体识别方法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 112818694 A (43)申请公布日 2021.05.18 (21)申请号 202110229580.1 (22)申请日 2021.03.02 (71)申请人浙江

2023-06-02 约2万字 15页立即下载

基于多任务学习的跨模态数据隐含语义分析方法研究：模型构建与应用拓展.docx 基于多任务学习的跨模态数据隐含语义分析方法研究：模型构建与应用拓展一、引言 1.1研究背景与意义在信息技术飞速发展的当下，多媒体数据呈爆炸式增长态势，图像、文本、音频、视频等多种类型的数据充斥着人们的生活。据统计，全球每天产生的数据量高达数十亿GB，且这一数字仍在以每年超过50%的速度增长。在这个信息过载的时代，如何快速、准确地从海量的多媒体数据中检索出用户需要的信息，成为了亟待解决的问题。例如，在图像搜索引擎中，用户希望通过输入一段文本描述，就能快速检索到与之相关的图像；在智能安防领域，需要通过图像和文本的跨模态检索，快速识别嫌疑人；在电子商务平台，用户期望上传一张图片，即可获取

2025-04-29 约3.76万字 29页立即下载

一种基于多任务深度学习模型预测化合物性质的方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114566230 A (43)申请公布日 2022.05.31 (21)申请号 202111534259.0 (22)申请日 2021.12.15 (71)申请人中国科学院深圳先进技术研究院地址

2023-05-07 约8.56千字 8页立即下载

2025-03-12 约1.95万字 27页立即下载