面向摘要结构功能划分的模型性能比较研究

doi:10.13266/j.issn.0252-3116.2018.12.011

图书情报工作 ›› 2018, Vol. 62 ›› Issue (12): 84-90.DOI: 10.13266/j.issn.0252-3116.2018.12.011

面向摘要结构功能划分的模型性能比较研究

王东波¹, 陆昊翔¹, 周鑫², 朱丹浩³

1. 南京农业大学信息科学技术学院南京 210095;
2. 南京大学信息管理学院南京 210093;
3. 南京大学计算机科学与技术系南京 210093

收稿日期:2017-12-16 修回日期:2018-04-01 出版日期:2018-06-20 发布日期:2018-06-20
作者简介:王东波(ORCID:0000-0002-9894-9550),副教授,硕士生导师;陆昊翔(ORCID:0000-0002-6855-6393),本科生;周鑫(ORCID:0000-0001-7756-2253),博士研究生;朱丹浩(ORCID:0000-0003-0477-8517),助理馆员,博士研究生。
基金资助:
本文系国家社会科学基金重大项目"情报学学科建设与情报工作未来发展路径研究"（项目编号：17ZDA291）研究成果之一。

A Comparative Study of Model Performances Facing Abstract Structure Function

Wang Dongbo¹, Lu Haoxiang¹, Zhou Xin², Zhu Danhao³

1. Colledge of Information Science and Technology, Nanjing Agricultural University, Nanjing 210095;
2. Department of Information Management, Nanjing University, Nanjing 210093;
3. Department of Computer Science and Technology, Nanjing University, Nanjing 210093

Received:2017-12-16 Revised:2018-04-01 Online:2018-06-20 Published:2018-06-20

摘要/Abstract

摘要： [目的/意义]摘要作为学术论文中能够简明扼要地说明研究目的、研究方法和最终结论的陈述部分，具有较高的探究价值和意义。[方法/过程]选取长短期记忆网络（Long Short-Term Memory）、支持向量机（Support Vector Machine）、LSTM-CRF和CNN-CRF 4种模型，对3 672篇情报学领域的期刊论文进行摘要划分识别研究。[结果/结论]长短期记忆网络模型识别F值最高为69.15%，LSTM-CRF神经网络模型最高F值为88.76%，RNN-CRF模型最高F值达到89.10%，支持向量机分类器分类宏观F值最高为72.04%。该实验结果对图书情报领域的学术论文结构功能划分实验模型选取有较高的参考价值。

关键词: 结构功能划分, 条件随机场, 长短期记忆网络, 卷积神经网络, 支持向量机

Abstract: [Purpose/significance] Abstract can explain concisely the research purposes, research methods and the final part of the statement, which is of high exploration value and significance.[Method/process] In this paper, four short-term memory networks (long short-term memory, support vector machine, LSTM-CRF and CNN-CRF) were selected to summarize the journal articles of 3672 CNKI databases.[Result/conclusion] The long-term memory network model identifies the highest F value of 69.15%, the maximum F value of LSTM-CRF neural network model is 88.76%, and the highest F value of RNN-CRF model is 89.10%. The highest support vector machine classifier classification macro F value is 72.04%. The experimental results have a high reference value for the selection of the experimental model of the functional structure of academic dissertation in the field of library and information science.

Key words: structure function division, condition random field, long-term memory network, convolutional neural network, support vector machine

中图分类号:

G255.1

王东波, 陆昊翔, 周鑫, 朱丹浩. 面向摘要结构功能划分的模型性能比较研究[J]. 图书情报工作, 2018, 62(12): 84-90.

Wang Dongbo, Lu Haoxiang, Zhou Xin, Zhu Danhao. A Comparative Study of Model Performances Facing Abstract Structure Function[J]. LIS, 2018, 62(12): 84-90.

参考文献

[1] 刘雅琴, 蒋菡, 苏亚志. 科技论文摘要写作中的一些问题及辨析[J]. 现代情报, 2004, 24(1):178.
[2] CUNDALL P A,STRACK O D L. A discrete numerical model for granular assembilies[J].Geotechnique,1979,29(1):47-65.
[3] 陆伟, 黄永, 程齐凯,等. 学术文本的结构功能识别功能框架及基于章节标题的识别[J]. 情报学报, 2014(9):979-985.
[4] 黄永, 陆伟, 程齐凯. 学术文本的结构功能识别——基于章节内容的识别[J]. 情报学报, 2016, 35(3):530-538.
[5] 黄永, 陆伟, 程齐凯,等.学术文本的结构功能识别——基于段落的识别[J]. 情报学报,2016,35(5):530-538.
[6] 崔建明, 刘建明, 廖周宇. 基于SVM算法的文本分类技术研究[J]. 计算机仿真, 2013, 30(2):299-302.
[7] 程健一, 关毅, 何彬. 基于SVM和CRF双层分类器的英文电子病历去隐私化[J]. 智能计算机与应用, 2016, 6(6):17-19.
[8] 胡新辰. 基于LSTM的语义关系分类研究[D]. 哈尔滨:哈尔滨工业大学, 2015.
[9] 任智慧, 徐浩煜, 封松林,等. 基于LSTM网络的序列标注中文分词法[J]. 计算机应用研究, 2017, 34(5):1321-1324.
[10] 张子睿, 刘云清. 基于BI-LSTM-CRF模型的中文分词法[J]. 长春理工大学学报(自然科学版), 2017, 40(4):87-92.
[11] CHIU J P C, NICHOLS E. Named entity recognition with bidirectional LSTM-CNNs[J]. Transactions of the Association for Computational Linguistics, 2016,10(4):357-370.
[12] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural computation, 1997, 9(8):1735-1780.
[13] LAFFERTY J D, MCCALLUM A, PEREIRA F C N. Conditional random fields:probabilistic models for segmenting and labeling sequence data[C]//Eighteenth international conference on machine learning. San Francisco:Morgan Kaufmann Publishers Inc.,2001:282-289.
[14] KARPATHY A, JOHNSON J, FEI F L. Visualizing and understanding recurrent networks[EB/OL].[2017-10-12].https://arxiv.org/abs/1506.02078v22015.
[15] CORTES C, VAPNIK V. Support-Vector networks[J]. Machine learning, 1995, 20(3):273-297.
[16] 刘华煜. 基于支持向量机的机器学习研究[D]. 大庆:大庆石油学院, 2005.
[17] 唐明, 朱磊, 邹显春. 基于Word2Vec的一种文档向量表示[J]. 计算机科学, 2016, 43(6):214-217.
[18] 黄承慧, 印鉴, 侯昉. 一种结合词项语义信息和TF-IDF方法的文本相似度量方法[J]. 计算机学报, 2011, 34(5):856-864.
[19] 廖健, 王素格, 李德玉,等. 基于增强字向量的微博观点句情感极性分类方法[J]. 郑州大学学报(理学版), 2017, 49(1):39-44.
[20] 牛晓太. 基于KNN算法和10折交叉验证法的支持向量选取算法[J]. 华中师范大学学报:自然科学版, 2014, 48(3):335-338.
[21] ABADI M, AGARWAL A, BARHAM P, et al. TensorFlow:large-scale machine learning on heterogeneous distributed systems[EB/OL].[2017-11-12].https://arXiv:1603.04467.
[22] SU C T, YANG C H. Feature selection for the SVM:an application to hypertension diagnosis[J]. Expert systems with applications, 2008, 34(1):754-763.

面向摘要结构功能划分的模型性能比较研究

A Comparative Study of Model Performances Facing Abstract Structure Function

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	耿骞, 邓斯予, 靳健. 融合词语义表示和新词发现的领域本体演化——以产品评论数据为例[J]. 图书情报工作, 2021, 65(8): 85-96.
[2]	李娜, 姜恩波, 朱一真, 刘婷. 政策工具自动识别方法与实证研究[J]. 图书情报工作, 2021, 65(7): 115-122.
[3]	李旭晖, 程威, 唐小雅, 于滔, 陈壮, 钱铁云. 基于多层卷积神经网络的金融事件联合抽取方法[J]. 图书情报工作, 2021, 65(24): 89-99.
[4]	雷兵, 刘小, 钟镇. 基于题录信息的领域学术文献细粒度分类方法研究[J]. 图书情报工作, 2021, 65(14): 128-137.
[5]	何琳, 陈雅玲, 孙珂迪. 面向先秦典籍的知识本体构建技术研究[J]. 图书情报工作, 2020, 64(7): 13-19.
[6]	李慧, 胡吉霞. 一种基于图卷积自编码模型的多维度学科知识网络融合方法[J]. 图书情报工作, 2020, 64(18): 114-125.
[7]	刘忠宝, 党建飞, 张志剑. 《史记》历史事件自动抽取与事理图谱构建研究[J]. 图书情报工作, 2020, 64(11): 116-124.
[8]	董庆兴, 李华阳, 曹高辉, 夏立新. 基于深度学习的MOOC论坛探索型对话识别方法研究[J]. 图书情报工作, 2019, 63(5): 92-99.
[9]	黄水清, 王东波. 新时代人民日报分词语料库构建、性能及应用(一)——语料库构建及测评[J]. 图书情报工作, 2019, 63(22): 5-12.
[10]	王若佳, 赵常煜, 王继民. 中文电子病历的分词及实体识别研究[J]. 图书情报工作, 2019, 63(2): 34-42.
[11]	张柳, 王晰巍, 黄博, 刘宇桐. 基于字词向量的多尺度卷积神经网络微博评论的情感分类模型及实验研究[J]. 图书情报工作, 2019, 63(18): 99-108.
[12]	陈德鑫, 占袁圆, 杨兵, 谢亚霓. 基于CNN-BiLSTM模型的在线医疗实体抽取研究[J]. 图书情报工作, 2019, 63(12): 105-113.
[13]	李志义, 许洪凯, 段斌. 基于深度学习CNN模型的图像情感特征抽取研究[J]. 图书情报工作, 2019, 63(11): 96-107.
[14]	田梅, 朱学芳. 基于支持向量机的大学生网络信息偶遇影响因素研究[J]. 图书情报工作, 2018, 62(8): 84-92.
[15]	王东波, 胡昊天, 周鑫, 朱丹浩. 基于深度学习的数据科学招聘实体自动抽取及分析研究[J]. 图书情报工作, 2018, 62(13): 64-73.