基于关系冗余度的少样本实体关系自适应抽取
高峰
龚珊珊
武汉科技大学计算机科学与技术学院 武汉 430065;武汉科技大学大数据科学与工程研究院 武汉 430065;武汉科技大学智能信息处理与实时工业系统湖北省重点实验室 武汉 430065
摘要：医学文本中丰富的医学知识可为构建医学知识图谱提供数据支撑,但医学文本中存在部分知识文本数量较少,导致了知识分布不平衡、循证类知识样本少等现实问题,且现有实体关系抽取模型对关系冗余、实体重叠等问题并没有很好的解决方案.论文针对上述问题,提出了一种基于关系冗余度的少样本实体关系自适应抽取模型,该模型弥补了现有抽取模型过度依赖大量标注语料、无法解决实体重叠等不足.使用医学相关文本展开实验,结果表明该模型较现有抽取模型F1性能提高了4.9%.
关键词：医学领域知识图谱少样本信息抽取
分类号：TP391(计算技术、计算机技术)
资助基金：国家自然科学基金(U1836118)
论文发表日期：2024-08-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 2323-2328 )
英文信息