论文部分内容阅读
随着深度学习技术、方法和理念的快速发展、普及和推广，在学术研究领域基于数据驱动的第四范式的探究逐步深入到学术研究当中。在这一大的背景下，围绕食品安全突发事件这一关系到国计民生的问题，本文全面而深入地把人工智能中的深度学习的技术融入到食品安全突发事件的相应研究当中，并按照情报组织的不同非结构化文本中的信息和知识单位进行相应的探究。
本研究的意义和价值主要体现在如下几个方面。首先，所获取的历时、非结构化、海量食品安全突发事件的数据，为展开相应领域化知识的挖掘、情报组织的探究，提供了最为直接和有价值的数据资源支撑。其次，以情报组织在食品安全突发事件当中的应急状态为着眼点，探究针对食品安全突发事件应急响应当中的相应数据、信息和知识的情报组织，有助于快速精准和细化地应对食品安全突发事件的相应问题。最后，在具体的食品安全突发事件的情报组织过程中，本文系统而全面地验证了深度学习系列模型在相应所组织的词汇、词性、实体和类别知识上的性能，不仅有效地解决了相应知识挖掘的问题，而且在一定程度上也拓展了深度学习在领域化知识挖掘上的应用，验证了该模型的整体性能。
在具体探究的过程中，本文基于文献调研的方法、案例分析的方法、深度学习的方法、统计的方法、自然语言处理的方法、定性和定量相结合的方法，对以下相应的内容进行了探究。
首先，面向海量的互联网资源，通过设计专门的数据获取工具，获取了食品安全突发事件相应的非结构化数据，在所获得相应数据的基础上，对数据进行了相应的去重算法的处理，形成了相对比较精准的食品安全突发事件数据源。为了确保情报所组织的食品安全突发事件非结构化文本中语义信息的完备性和精准性，本文通过深度学习模型，完成了对食品安全突发事件的自动分词处理，在具体分词的过程中，完全基于食品安全突发事件的字进行分词处理，具体所使用的分词模型为BiLSTM模型和IDCNN模型。
其次，在食品安全突发事件的非结构化文本当中，能够相对完整呈现出语义信息的基本单位为词性，因此，对食品安全突发事件非结构化文本，完成词性这一语义的标注，不仅能够确保情报组织的语义充分性和全面性，而且也是后续进行食品安全突发事件非结构化文本的实体和类别知识挖掘的基础。结合食品安全突发事件词性标注的具体任务，本文系统探究了CRF、RNN、BiLSTM以及BiLSTM-CRF系列模型在词性标注上的整体性能，并最终确定了最优的面向食品安全突发事件非结构化文本的词性标注模型。
再次，在完成对食品安全突发事件非结构化文本词性标注的基础上，针对食品安全突发事件非结构化文本当中不同实体的分布状况，通过系统地利用传统机器学习模型和深度学习模型，本文完成了对食品安全突发事件非结构化文本当中的人名和机构名、食品安全突发事件当中涉事名称与涉事因素以及食品安全突发事件当中时间实体的抽取。在具体实验过程当中，进行了添加人工特征的实验，并在时间实体的抽取上，探究了把深度学习模型与具体的人工特征进行相融合的实体抽取模型构建。
又次，在所完成的针对食品安全突发事件的分词、词性和实体情报组织单位的探究基础上，基于深度学习模型和传统机器学习模型，对食品安全突发事件这一更宏大层次上的类别知识进行了相应的获取研究。一方面，通过CNN模型对所选取的食品安全突发事件数据中所隐含的类别知识进行了聚类；另一方面，在聚类的基础上，通过比较线性序列分类模型和非线性序列分类模型的性能，确定了适合食品安全突发事件的自动分类模型。
最后，从宏观框架上分析了情报组织在食品安全突发事件应急响应当中的整个流程和过程，并结合所获取的词汇、词性、实体和类别知识，从微观的角度探究了针对食品安全突发事件这一领域数据的情报组织的过程，并通过相应的案例应用和分析，证明了情报组织的意义和价值。
本研究的意义和价值主要体现在如下几个方面。首先，所获取的历时、非结构化、海量食品安全突发事件的数据，为展开相应领域化知识的挖掘、情报组织的探究，提供了最为直接和有价值的数据资源支撑。其次，以情报组织在食品安全突发事件当中的应急状态为着眼点，探究针对食品安全突发事件应急响应当中的相应数据、信息和知识的情报组织，有助于快速精准和细化地应对食品安全突发事件的相应问题。最后，在具体的食品安全突发事件的情报组织过程中，本文系统而全面地验证了深度学习系列模型在相应所组织的词汇、词性、实体和类别知识上的性能，不仅有效地解决了相应知识挖掘的问题，而且在一定程度上也拓展了深度学习在领域化知识挖掘上的应用，验证了该模型的整体性能。
在具体探究的过程中，本文基于文献调研的方法、案例分析的方法、深度学习的方法、统计的方法、自然语言处理的方法、定性和定量相结合的方法，对以下相应的内容进行了探究。
首先，面向海量的互联网资源，通过设计专门的数据获取工具，获取了食品安全突发事件相应的非结构化数据，在所获得相应数据的基础上，对数据进行了相应的去重算法的处理，形成了相对比较精准的食品安全突发事件数据源。为了确保情报所组织的食品安全突发事件非结构化文本中语义信息的完备性和精准性，本文通过深度学习模型，完成了对食品安全突发事件的自动分词处理，在具体分词的过程中，完全基于食品安全突发事件的字进行分词处理，具体所使用的分词模型为BiLSTM模型和IDCNN模型。
其次，在食品安全突发事件的非结构化文本当中，能够相对完整呈现出语义信息的基本单位为词性，因此，对食品安全突发事件非结构化文本，完成词性这一语义的标注，不仅能够确保情报组织的语义充分性和全面性，而且也是后续进行食品安全突发事件非结构化文本的实体和类别知识挖掘的基础。结合食品安全突发事件词性标注的具体任务，本文系统探究了CRF、RNN、BiLSTM以及BiLSTM-CRF系列模型在词性标注上的整体性能，并最终确定了最优的面向食品安全突发事件非结构化文本的词性标注模型。
再次，在完成对食品安全突发事件非结构化文本词性标注的基础上，针对食品安全突发事件非结构化文本当中不同实体的分布状况，通过系统地利用传统机器学习模型和深度学习模型，本文完成了对食品安全突发事件非结构化文本当中的人名和机构名、食品安全突发事件当中涉事名称与涉事因素以及食品安全突发事件当中时间实体的抽取。在具体实验过程当中，进行了添加人工特征的实验，并在时间实体的抽取上，探究了把深度学习模型与具体的人工特征进行相融合的实体抽取模型构建。
又次，在所完成的针对食品安全突发事件的分词、词性和实体情报组织单位的探究基础上，基于深度学习模型和传统机器学习模型，对食品安全突发事件这一更宏大层次上的类别知识进行了相应的获取研究。一方面，通过CNN模型对所选取的食品安全突发事件数据中所隐含的类别知识进行了聚类；另一方面，在聚类的基础上，通过比较线性序列分类模型和非线性序列分类模型的性能，确定了适合食品安全突发事件的自动分类模型。
最后，从宏观框架上分析了情报组织在食品安全突发事件应急响应当中的整个流程和过程，并结合所获取的词汇、词性、实体和类别知识，从微观的角度探究了针对食品安全突发事件这一领域数据的情报组织的过程，并通过相应的案例应用和分析，证明了情报组织的意义和价值。