排序方式： 共有2条查询结果，搜索用时 31 毫秒
1
1.
基于BERT的水稻表型知识图谱实体关系抽取研究 总被引：1，自引：0，他引：1
针对水稻表型知识图谱中的实体关系抽取问题，根据植物本体论提出了一种对水稻的基因、环境、表型等表型组学实体进行关系分类的方法。首先，获取水稻表型组学数据，并进行标注和分类；随后，提取关系数据集中的词向量、位置向量及句子向量，基于双向转换编码表示模型（BERT）构建水稻表型组学关系抽取模型；最后，将BERT模型与卷积神经网络模型、分段卷积网络模型进行结果比较。结果表明，在3种关系抽取模型中，BERT模型表现更佳，精度达95.11%、F1值为95.85%。 相似文献
2.
表示学习技术研究进展及其在植物表型中应用分析 总被引：2，自引：0，他引：2
表示学习是一种将研究对象的内在信息表示为稠密低维实值向量的方法,其基本思路是找到对原始数据更好的表达。表示学习凭借其自动提取特征的能力,在处理大量人为先验理解有限的数据时表现出高效性。有监督以及无监督的表示学习模型在文本、图像、三维点云等植物表型数据的分析研究中获得了运用。随着近年来数据量的迅速增长以及基因组学研究的快速发展,植物表型研究数据具有高通量、高精度等特征,表示学习模型在海量高维植物表型数据的分析任务中获得了关注。本文简述了表示学习的相关概念和表示学习技术研究进展,对有监督和无监督的表示学习模型进行对比分析,阐述了植物表型数据概念及其处理方法,重点从植物种类识别、病虫害检测分析、产量预测、基因研究和形态结构表型数据计算等方面,探讨了表示学习在植物表型中的研究应用意义及其存在的问题。最后,指出表示学习在植物表型应用中的发展方向:开发能够适用于分析不同种植物表型数据的表示学习模型,实现高整合度、高通用性的目标;提高表示学习模型的实时性及准确度,以增强其实用性;多模态表型数据的表示学习可为学科的交叉数据分析研究提供统一的数据视图。 相似文献
1