关系分类是自然语言处理领域的一项重要任务，能够为知识图谱的构建、问答系统和信息检索等提供技术支持.与传统关系分类方法相比较，基于神经网络和注意力机制的关系分类模型在各种关系分类任务中都获得了更出色的表现.以往的模型大多采用单层注意力机制，特征表达相对单一.因此本文在已有研究基础上，引入多头注意力机制（Multi-head attention），旨在让模型从不同表示空间上获取关于句子更多层面的信息，提高模型的特征表达能力.同时在现有的词向量和位置向量作为网络输入的基础上，进一步引入依存句法特征和相对核心谓词依赖特征，其中依存句法特征包括当前词的依存关系值和所依赖的父节点位置，从而使模型进一步获取更多的文本句法信息.在SemEval-2010任务8数据集上的实验结果证明，该方法相较之前的深度学习模型，性能有进一步提高.

用实体信息丰富预训练的语言模型进行关系分类1

数据模型-继承关系（分类关系） 通过图标 建立两个实体之间的继承关系，点击该图标，然后连接两个实体就可以建立它们之间的关系，若该想给该分类关系中添加子类，点击图标后连接该子类和继承关系的半圈形符号即可实现。 继承关系按照子类与父类之间、子类与之类之间的关系可分为完全分类、不完全分类和互斥、不互斥关系。如下图所示，左图为互斥关系，右图为互斥完全分类关系。

目前大多数数据挖掘方法是从单关系中发现模式，而多关系数据挖掘（MRDM）则可直接从关系数据库的多表中抽取有效模式。MRDM可以解决原有命题数据挖掘方法不能解决的问题，它不仅有更强的信息表示能力，可以表示和发现更复杂的模式，还可以在挖掘进程中有效地利用背景知识来提高挖掘效率和准确率。近年来，借鉴归纳逻辑程序设计（ILP）技术，已经形成许多多关系数据挖掘方法，如关系关联规则挖掘方法、关系分类聚类方法等。

dcmtk，c++，四个从上到下层级关系分类，分别是Patient（病人），Study（检查），Series（序列），Sop（图像）

知识图谱-基于LSTM的语义关系分类研究, 通过长短时记忆神经网络来对语义分类构造知识图谱

LAnn标注工具 当前情况 目前为封闭域关系三元组标注，不提供新关系的标注，之前开放域关系三元组版本将不再维护，不再维护，不再维护，存在BUG！存在BUG！存在BUG！。 计划脱离对Django框架的依赖，借助PyQt的WebEngine实现标注界面和Python程序数据传输，更好地支持Pytorch和数据处理，已基本打通JS和Python之间的墙壁。 计划加入预训练BERT模型。 LAnn简介 LAnn（Little Annotator）是一个用于标注三元组的纯前段中文标注工具。具有使用简单的特点，采用网页的形式，使用浏览器便可运行。标注过程、结果直观，易后处理。基本不用配置，快速上手。可只用于NER标注，也可以适当修改，改为POS标注（实体类型改为词性，只进行实体标注）或者分词标注（设置特殊的实体类型“词语”，只进行实体标注）。 可以先后导入test.txt、entity_dict，然

baseline feature.py 抽取特征 corpora corpus1.txt 远程监督标注语料 sents.txt 还原的标注句子 sents_with_pos.txt 标注格式变换 dict 字典 数值化转换 entities.dict 实体字典 nes.dict 实体标记字典 postags.dict 词性标记字典 rels.dict 关系字典 libsvm-3.22 svm算法实现工具 result 结果 feature2libsvm.csv 符合libsvm格式的输入文件 features.pickle 抽取特征的结果 features.vec.csv 特征数值化后的结果 grid.out 参数优化结果 grid.png 参数优化结果 model.txt 模型 test.vec 测试语料集 test_vec.scale 数值缩放后测试语料集 train.vec 训练语料

双向递归卷积神经网络用于关系分类

从噪声数据进行关系分类的强化学习