基于向量相似度修正策略的命名实体关联分析

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (2): 179-181.

基于向量相似度修正策略的命名实体关联分析

刘路,李弼程,张先飞

解放军信息工程大学信息工程学院，郑州 450002

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2008-01-11 发布日期:2008-01-11
通讯作者: 刘路

Name entity association rules analysis based on modification strategy of vector similarity

LIU Lu,LI Bi-cheng,ZHANG Xian-fei

Information Engineering Institute，PLA Information Engineering University，Zhengzhou 450002，China

Received:1900-01-01 Revised:1900-01-01 Online:2008-01-11 Published:2008-01-11
Contact: LIU Lu

摘要/Abstract

摘要： 关联分析是数据挖掘技术中的一种重要方法，代表性算法有FP-growth算法和MAXFP-Miner算法。命名实体包含了文本的主要内容，蕴含了丰富的知识模式。针对命名实体的特点，提出一种基于向量相似度比较的关联规则修正策略，将此修正策略应用于MAXFP-Miner算法中，得到一种改进的MAXFP-Miner算法；利用该算法对命名实体之间的内在联系进行分析，从中发现有意义的知识模式。实验结果与性能比较表明，改进的MAXFP-Miner算法是有效的，优于传统的FP-growth算法和MAXFP-Miner算法。

关键词: 命名实体, 关联分析, MAXFP-Miner, 知识发现

Abstract: Association rules analysis is an important technique of data mining techniques.FP-growth algorithm and MAXFP-Miner algorithm are representative algorithms.Name entities contain main content of the text，include abundant kowledge patterns.Based on the characteristic of the name entities，put forward a modify strategy of vector similarity comparison and applied it to MAXFP-Miner algorithm and gain animproved MAXFP-Miner algorithm.Applied this algorithm to analyze the potential associations the name entities，discover significant knowledge patterns.The result of experiment shows the improved MAXFP-Miner algorithm is effective and better than traditional FP-growth algorithm and MAXFP-Miner algorithm.

Key words: name entity, association rules analysis, MAXFP-Miner, knowledge discovery

刘路,李弼程,张先飞. 基于向量相似度修正策略的命名实体关联分析[J]. 计算机工程与应用, 2008, 44(2): 179-181.

LIU Lu,LI Bi-cheng,ZHANG Xian-fei. Name entity association rules analysis based on modification strategy of vector similarity[J]. Computer Engineering and Applications, 2008, 44(2): 179-181.

[1]	杨倩，顾磊. 基于去噪字词联合模型的中文命名实体识别[J]. 计算机工程与应用, 2021, 57(7): 151-157.
[2]	隗昊，周爱，张益嘉，陈飞，屈雯，鲁明羽. 深度学习生物医学实体关系抽取研究综述[J]. 计算机工程与应用, 2021, 57(21): 14-23.
[3]	黄梅根，刘佳乐，刘川. 基于BERT的中文多关系抽取方法研究[J]. 计算机工程与应用, 2021, 57(21): 234-240.
[4]	惠蕙，王秋萍，李苗苗. 犹豫模糊语言后悔理论和ELECTRE决策方法及应用[J]. 计算机工程与应用, 2021, 57(20): 172-179.
[5]	姚贵斌，张起贵. 基于XLnet语言模型的中文命名实体识别[J]. 计算机工程与应用, 2021, 57(18): 156-162.
[6]	焦凯楠，李欣，朱容辰. 中文领域命名实体识别综述[J]. 计算机工程与应用, 2021, 57(16): 1-15.
[7]	何玉洁，杜方，史英杰，宋丽娟. 基于深度学习的命名实体识别研究综述[J]. 计算机工程与应用, 2021, 57(11): 21-36.
[8]	车敏诗，聂春燕，杨承金，阮新磊，范如俊. 基于灰色关联法的生理信号与情绪关联度研究[J]. 计算机工程与应用, 2021, 57(11): 168-172.
[9]	孙凌浩. 利用翻译模型的跨语言中文命名实体识别[J]. 计算机工程与应用, 2021, 57(10): 94-100.
[10]	杨葛英，沈夏炯，史先进，张磊. 以概念格为背景的关联规则可视化[J]. 计算机工程与应用, 2021, 57(1): 84-91.
[11]	李博，康晓东，张华丽，王亚鸽，陈亚媛，白放. 采用Transformer-CRF的中文电子病历命名实体识别[J]. 计算机工程与应用, 2020, 56(5): 153-159.
[12]	刘小安，彭涛. 基于卷积神经网络的中文景点识别研究[J]. 计算机工程与应用, 2020, 56(4): 140-145.
[13]	马建红，张炳斐，张少光，刘双耀. 基于主动MCNN-SCRF的新能源汽车命名实体识别[J]. 计算机工程与应用, 2019, 55(7): 23-29.
[14]	曹卫东1，2，许代代2，王静2，王家亮2. 民航NOSHOW预测及强因子关联分析[J]. 计算机工程与应用, 2019, 55(2): 221-227.
[15]	周法国1，吴锡坤1，孙泰2，孙镇2. 基于转移学习的中文命名实体识别[J]. 计算机工程与应用, 2018, 54(5): 117-121.