Resumen

La extracción de relaciones es la tarea crítica subyacente a la comprensión textual. Sin embargo, los métodos existentes actualmente tienen defectos en la selección de instancias y carecen de conocimiento de fondo para el reconocimiento de entidades. En este trabajo, proponemos un modelo de atención basado en el conocimiento, que puede hacer pleno uso de la información supervisada de una base de conocimientos, para seleccionar una entidad. También diseñamos un método de redes neuronales convolucionales duales (CNNs) considerando que la incrustación de cada palabra está restringida por el uso de una única herramienta de entrenamiento. El modelo propuesto combina una CNN con un mecanismo de atención. El modelo inserta la incrustación de palabras y la información supervisada de la base de conocimientos en la CNN, realiza la convolución y la agrupación, y combina la base de conocimientos y la CNN en la capa de conexión completa. Basándose en estos procesos, el modelo no sólo obtiene mejores representaciones de entidades, sino que también mejora el rendimiento de la extracción de relaciones con la ayuda de un rico conocimiento de fondo. Los resultados experimentales demuestran que el modelo propuesto alcanza un rendimiento competitivo.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:base de conocimientos, incrustación de palabras, extracción de relaciones, modelo propuesto, red neuronal convolucional, tarea crítica subyacente, cnn, herramientas de entrenamiento único, rendimiento de las relaciones, modelo de atención basado
• Keywords:knowledge base, word embedding, relations extraction, proposed model, convolutional neural network, underlying critical task, cnn, single training tools, performance of relations, based attention model