排序方式： 共有10条查询结果，搜索用时 15 毫秒
1
1.
[目的/意义]针对海量历史文献数字化所面临的文献数量庞大、耗时长、成本过高等问题，本文将众包理念引入传统文献数字化工作中，形成基于网络众包模式的海量历史文献数字化处理方法。[方法/过程]该模式根据历史文献特点，将网络大众自发知识生产模式与专家定向模式相结合，提出了相应的用户激励和质量控制方案，从而保证众包任务的高效率、低成本、质量可控。此外，以粤海关清末历史文献为试点验证众包模式在大规模文献数字化处理工作中的可行性、高效性。[结果/结论]该模式为处理历史文献处理提供了新的思路与方法，且具有广阔的应用前景。 相似文献
2.
3.
[目的/意义]针对在线医疗社区问答文本复杂程度高、结构化程度低的特点,结合卷积神经网络（CNN）和双向长短记忆神经网络（BiLSTM）两种深度学习模型以及条件随机场（CRF）模型,提出一套适用于在线医疗问答文本的实体识别方法并进行验证。 [过程/方法] 将问答文本进行清洗和BIO标注后,分别用CNN和BiLSTM进行字级别的特征抽取,将两种模型抽取到的特征进行融合,后放入CRF中训练出实体预测模型,再将问答文本放入训练好的模型中得到最终的实体识别结果。[结果/结论]在所选取的乳腺癌医疗社区问答文本数据集上,所提出的方法结果优于其他模型,且识别准确率达到92.3%,召回率达到89.3%,F值达到90.8%。 相似文献
4.
针对在线医疗社区问答文本复杂程度高、结构化程度低的特点,结合卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)两种深度学习模型以及条件随机场(CRF)模型,提出一套适用于在线医疗问答文本的实体识别方法并进行验证.将问答文本进行清洗和BIO标注后,分别用CNN和BiLSTM进行字级别的特征抽取,将通过两种模型抽取到的特征进行融合后放入CRF中训练出实体预测模型,再将问答文本放入训练好的模型中,得到最终的实体识别结果.以关于乳腺癌疾病问答文本为例,研究结果表明,运用该方法得到的识别结果优于其他模型,且识别准确率达到92.3％、召回率达到89.3％、F值达到90.8％. 相似文献
5.
7.
基于加权知识网络的组织知识存量表示与度量 总被引：2，自引：1，他引：2
对组织知识存量的表示与度量方法进行研究。在对组织知识存量结构及存储情况进行分析的基础上,提出组织知识存量的加权知识网络模型。该模型将组织知识结构表示为一个层级有向网络,并通过对边进行加权和对节点赋值来实现组织知识及各知识点存量的度量,其中节点具有两类属性值,分别用以表示组织知识在人脑中和其他各类存储媒介中的存量,边则反映了知识点之间的构成关系。同时对模型建模方法进行探讨,最后结合一个实例对方法进行验证。 相似文献
8.
9.
一种基于加权超网络模型的组织知识搜索定位方法 总被引：1，自引：0，他引：1
在分析组织知识结构及存储情况的基础上,提出了一种基于加权超网络模型的组织知识搜索及定位方法.首先建立组织知识的加权超网络模型,该模型将组织知识及其存储载体集成为一个超网络,并通过对节点和边加权以反映组织知识在人脑及其他存储媒介中的存储情况.利用该模型进行组织知识搜索定位,可同时将与待检索知识相关的人及其他媒介资料检索出来,并可根据它们与待检索知识的相关程度进行排序、筛选,从而实现快速准确的知识定位.最后结合一个实例对方法进行了验证. 相似文献
10.
基于加权超网络模型的组织知识存量表示方法 总被引：1，自引：0，他引：1
在对组织知识存量结构及存储情况进行分析的基础上,提出了一种基于加权超网络模型的组织知识存量表示方法。模型中,知识节点具有两类属性值,分别表示组织知识在人脑中以及其他各类存储媒介中的存量。知识节点与各存储媒介节点之间的边具有权重,用以表示组织知识点在各存储媒介中的存量。该方法可同时表示组织知识的存量及存储分布情况,还可用于表示组织成员的个人知识存量、组织知识的定位搜索、组织知识安全性分析等。最后结合一个实例对方法进行了验证。 相似文献
1