文档介绍：计算机系统应用 ISSN 1003-3254, CODEN CSAOBN E-mail: ******@
Computer Systems & Applications,2021,30(9):200−205 [doi: .] -s-
©中国科学院软件研究所版权所有. Tel: +86-10-62661041
基于GRU和PCNN的电力知识抽取①
宋厚岩1,2, 王汉军2
1(中国科学院大学, 北京 100049)
2(中国科学院 沈阳计算技术研究所, 沈阳 110168)
通讯作者: 宋厚岩, E-mail: ******@
摘 要: 构造电力系统知识图谱最重要的就是电力知识的抽取, 针对目前传统基于监督学****单一神经网络模型存
在的问题和缺点, 如CNN擅长提取局部最重要特征而不适合处理序列输入; RNN在处理序列化任务占优势却对于
重要特征的提取很乏力, 因此本文改进了一种基于GRU和PCNN的模型, 该模型可以有效解决传统模型的不足,
通过结合GRU模型和PCNN模型的优点, 实验结果表明该方法相比传统方法效果极佳, 可以有效实现对电力系统
知识抽取.
关键词: 知识抽取; 神经网络; 电力系统; PCNN模型
引用格式: 宋厚岩,,2021,30(9):200–205. -s--
3254/
Knowledge Extraction in Electric Power Based on GRU and PCNN
SONG Hou-Yan1,2, WANG Han-Jun2
1(University of Chinese Academy of Sciences, Beijing 100049, China)
2(Shenyang Institute of Computing Technology, Chinese Academy of Sciences, Shenyang 110168, China)
Abstract: The main part of drawing the knowledge map of electrical power systems is the extraction of power knowledge.
In the traditional supervised-learning-based single neural network models, CNN performs well in extracting the most
important local features but is not suitable for