基于PCNN的工业制造领域质量文本实体关系抽取方法
信息技术与网络安全
张 彤1，宋明艳1，王 俊1，2，白 洋1
（1.北京京航计算通讯研究所，北京100071； 2.哈尔滨工业大学 经济与管理学院，黑龙江 哈尔滨150006）
摘要： 对汽车、机械等工业制造行业的质量报告进行关系抽取，对于该行业质量知识图谱、质量问答系统等研究有着极为重要的意义。针对在工业制造领域的质量知识图谱构建过程中尚无公开数据集可用的情况，收集了质量文本并进行相应的专业标注，构建了工业制造领域质量知识图谱关系抽取专业数据集。基于该数据集利用分段卷积神经网络(Piecewise Convolutional Neural Network，PCNN)实现关系抽取，然后根据中文特性，提出了改进的PCNN模型(C-PCNN)，以提升在中文语料中关系抽取的性能。在本文构建的数据集中，改进后模型的准确率、召回率以及F1值优于对比的PCNN和RNN模型，验证了该方法的可行性和有效性。该研究对从事制造行业的人员有一定的实际意义。
中圖分類號： TP391
文獻標識碼： ADOI： 10.19358/j.issn.2096-5133.2021.03.002
引用格式： 張彤，宋明艷，王俊，等。 基于PCNN的工業制造領域質量文本實體關系抽取方法[J].信息技術與網絡安全，2021，40（3）：8-13.
文獻標識碼： ADOI： 10.19358/j.issn.2096-5133.2021.03.002
引用格式： 張彤，宋明艷，王俊，等。 基于PCNN的工業制造領域質量文本實體關系抽取方法[J].信息技術與網絡安全，2021，40（3）：8-13.
Entity relation extraction method for quality text of industrial manufacturing based on Piecewise Convolutional Neural Network
Zhang Tong1，Song Mingyan1，Wang Jun1，2，Bai Yang1
(1.Beijing Jinghang Research Institute of Computing and Communication，Beijing 100071，China； 2.School of Management，Harbin Institute of Technology，Harbin 150006，China)
Abstract： Relation extraction of quality reports in industrial manufacturing industries such as automobiles and machinery is of great significance to the research of quality knowledge graph and quality question answering system of the industry. Aiming at the situation that there is no public dataset available for relation extraction of quality reports in the industrial manufacturing field, this paper collects quality reports in the field of industrial manufacturing and makes corresponding professional labels to construct a professional dataset for relation extraction. Based on this dataset, Piecewise Convolutional Neural Network(PCNN) is used for relation extraction. To be more specific, then based on Chinese characteristics, an improved PCNN model(C-PCNN) based on chinese characteristics is proposed to improve the performance of relation extraction in chinese corpus. Experimental results on the constructed dataset show that the accuracy, recall, and F1 values of the C-PCNN are respectively better than PCNN and RNN, indicating the feasibility and effectiveness of the method. This research has practical significance for personnel engaged in the manufacturing industry.
Key words : industrial manufacturing；quality text；relation extraction；Piecewise Convolutional Neural Network
0 引言
汽車、機械等工業制造行業的產品是涉及多個技術領域的高精度、高可靠性產品，具有結構復雜，生產周期長、生產狀態多等特點[1]。隨著信息化時代的發展，在生產研制過程中產生的各類質量數據日趨龐大，但由于現階段缺乏統一的數據管理，各類質量信息散落在業務系統中，以電子或紙質文檔方式存在，這些離散存儲的質量信息包含各類質量問題的原因、問題部件、采取措施等關鍵信息。如何從這些離散存儲的質量信息中抽取出有效信息，為工業制造提供數據支撐，幫助相關人員有效監督產品生產、快速解決質量問題，構成工業制造領域質量管理的迫切需求。本文從質量文本出發，利用關系抽取技術挖掘文本中實體間存在的語義關系，為后續構建質量知識圖譜、質量問答系統奠定堅實基礎。
本文詳細內容請下載:http://www.tom3567.com/resource/share/2000003422
作者信息:
張 彤1，宋明艷1，王 俊1，2，白 洋1
(1.北京京航計算通訊研究所，北京100071；
2.哈爾濱工業大學 經濟與管理學院，黑龍江 哈爾濱150006)
此內容為AET網站原創，未經授權禁止轉載。