水产和渔业论文_面向水产动物疾病诊断及防治的

文章目录

摘要

Abstract

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

    1.2.1 通用领域命名实体识别研究现状

    1.2.2 特定领域命名实体识别研究

    1.2.3 水产领域命名实体识别研究

1.3 本文研究的主要内容

1.4 本文的结构安排

第二章 深度学习相关理论

2.1 循环神经网络

2.2 卷积神经网络

2.3 长短时记忆神经网络

2.4 BERT模型

2.5 Attention机制

2.6 本章小结

第三章 水产医学语料库构建

3.1 数据采集及预处理

3.2 类别划分

3.3 标注规则

3.4 标注方法

3.5 本章小结

第四章 基于多核卷积神经网络的水产医学命名实体识别

4.1 模型架构

4.2 模型架构流程

4.3 参数设置

4.4 模型消融实验

4.5 实验结果分析

4.6 对比实验

4.7 模型配置

4.8 本章小结

第五章 融合BERT与CaBiLSTM的水产医学命名实体识别

5.1 模型架构

5.2 模型架构流程

5.3 评价方法

5.4 参数设置

5.5 模型消融实验

5.6 实验结果分析

5.7 对比实验

5.8 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

攻读学位期间发表的学术论文及成果

文章摘要:水产动物病害是影响水产养殖产业快速发展的关键,有效的病害诊断及防治需要精准表示并充分利用水产医学知识,知识图谱作为一种广泛使用的知识表示与应用工具可以有效解决水产医学知识表示问题,进而为水产动物疾病诊断及防治提供一种新手段。命名实体识别是构建水产医学知识图谱的基础,命名实体识别的准确性直接影响图谱构建的质量,然而,由于水产医学命名实体中大量存在的嵌套实体导致命名实体识别准确率不高,影响水产医学知识图谱的构建质量。针对上述问题,本文开展面向水产动物疾病诊断与防治的中文命名实体识别研究,主要研究内容及创新点如下:（1）构建水产医学语料库。为了减少数据对水产医学实体识别模型训练的影响,通过与水产医学领域专家以及参考通用领域内数据集的构建方法,构建了用于水产医学命名实体识别的水产医学语料库,语料库内涵盖了全面的水产医学知识,能有效提升模型的训练效果,提高模型的泛化能力。（2）提出基于多核卷积神经网络的水产医学命名实体识别方法。为减少位置向量对实体识别效果影响,引入BERT模型,添加实体位置信息;此外,针对实体识别过程出现的实体特征不明显问题,采用多核卷积分步提取实体特征,并将提取特征矩阵与输入特征矩阵融合,增强实体特征表示;在输出过程设置判别层,判别处理预测结果,实现实体多预测结果输出。在水产医学语料库上实验证明,提出方法提升了水产医学命名实体的识别效果,F1值达到了88.48%,与领域内识别效果较好的BERT+Bi LSTM+ATT+CRF模型相比,提高了2.74个百分点。（3）提出融合BERT与CaBiLSTM的水产医学命名实体识别方法。采用“分层思想”设计了Ca Bi LSTM模型进行嵌套实体识别,用降维的内层实体特征提升外层实体的辨析度,实现对外层实体的精准识别,解决嵌套实体导致识别准确率不高问题;引入BERT模型,增添实体位置信息,使同一实体在不同位置上特征表示不同,解决一词多义问题;实验结果表明,提出方法能够有效识别水产医学语料库中的嵌套实体,与提出的基于多核卷积神经网络的命名实体识别方法相比,F1值达到了92.96%,提高了4.48个百分点。

文章关键词:

论文作者:刘巨升 刘巨升 

作者单位:刘巨升 

论文DOI:10.27821/d.cnki.gdlhy.2022.000068

论文分类号:TP391.1;S941

文章来源：《水产学报》 网址: http://www.scxbzz.cn/qikandaodu/2022/0615/1300.html