基于上下文的领域本体概念和关系的提取
图解析方式的复合本体映射策略研究
本体所拥有的实例 。本文将本体或其它 的输人模式解析成一种 图描述 的结构 ， 这种结构不依赖于任何特
收稿 日期 ： ２ ０ １ ３ ． ０ ２ ． ２ ５
基金项 目 ： 江西省 自然科学基金项 目（ ２ ０ １ ２ ２ Ｂ Ａ Ｂ ２ ０ １ ０ ４ ０ ） ； 江西省 教育厅青年科 学基金项 目（ ＧＪ Ｊ ｌ ｌ ｌ ｌ ５ ） ； 华东交 通大学科研
文章编 号 ： １ ０ ０ ５ ． ０ ５ ２ ３ （ ２ ０ １ ３ ） ０ ３ ． ０ ０ ８ ２ ． ０ ７
图解 析方式 的复合本体 映射策 略研 究
凌仕 勇 ， 龚锦红
（ 华东交通大学 １ ． 软件学 院； ２ ． 电子与 电气工程学 院， 江西 南 昌３ ３ ０ ０ １ ３ ）
摘要 ： 针对本体 复杂上下文 关系 ， 考虑 不同输入 模式 ， 构建通 用环境 下的本体 解析 图描 述 。在 结合本体结构基础 上 ， 建立 多 层本体 结构 图描述 关 系； 引入上 下文关联的相似度 传播 建 立结构传 播 因子和 实例 传播算法 ； 引入快速 匹配算法 用于本体 的
格 式输入文件 （ Ｘ ＭＬ ， Ｒ Ｄ Ｆ ， Ｏ ｗＬ ） 成一种 内部 结构 ， 通过这种结构 与匹配算法 ， 输入输 出 ， 数据库 （ 默认 ｍ ｙ ｓ ｑ ｌ ， 可以 自定义算法接人系统接 口） 进行交互。提供一套工作流用 于定义输人文本的格式 ， 匹配算 法 ， 相似度计算 的算法（ 外部接 口库 ａ ｌ ｉ ｇ ｎ 一 ４ ． ２ 一 ｏ ｎ ｔ ｏ ｗ ｒ ａ ｐ ． ｊ ａ ｒ ） ， 输出文件的格式（ ｘ ｍ ｌ ， ｈ ｔ ｍ １ ） 。新版 Ｃ Ｏ Ｍ Ａ ＋ ＋ 『 ４ 支持 不同的输入如Ｘ Ｍ Ｌ Ｓ ｃ ｈ ｅ ｍ ａ ， Ｒ Ｄ Ｆ ， Ｏ ＷＬ ， 引入了概念间的关 系， 但本身没有引入基于语料库的词汇计算 ， 不 支持本体结构的相似度传播 ， 并且在映射时为了顾及一般化的多对多映射而采用单向或双向完全遍历 的 方法 ， 使得复杂度大为增加 。Ｓ － Ｍ ａ ｔ ｃ ｈ 是 由意大利特伦托大学 Ｆ ａ ｕ ｓ ｔ ｏ Ｇ ｉ ｕ ｎ ｅ ｈ ｉ ｇ ｌ ｉ ａ 教授主持 开发 的一套 开 源语 义映射算法 （ ｈ ｔ ｔ ｐ ： ／ ／ ｓ ｏ ｕ ｒ ｃ ｅ ｆ ｏ ｒ ｇ ｅ ． ｎ ｅ ｔ ／ ａ ｐ ｐ ｓ ／ ｔ ｒ ａ ｃ ／ ｓ — ｍ ａ ｔ ｅ ｈ ／ ｗ ｉ ｋ ｉ ／ ） ， Ｓ － Ｍ ａ ｔ ｃ ｈ 将待 映射 的两个 文件解析成树形 结构 ， 然后计算两个树节点之间的语义关系 ， 进而找出映射关 系。其语义计算分 ２ 个步骤 ： 首先解析两树的 标签 属性 ， 类似于本体的概念名称 ， 通过元素级别的匹配库计算标签概念的语义关系； 其次解析两树的节
基于本体的视频语义内容分析
基于本体的视频语义内容分析白亮;刘海涛;老松杨;卜江【期刊名称】《计算机科学》【年(卷),期】2009(36)7【摘要】随着视频数据的大量涌现,迫切需要有效的方法在语义层理解和管理视频数据.新的多媒体标准,如MPEG-4、MPEG-7等,对操纵和传输视频对象及元数据提供了基本的功能框架.但重要的是,视频数据的语义层内容大部分超出了标准涉及的范围.提出了一个基于本体的视频语义内容分析框架,采用领域本体定义目标领域中的高层语义概念及语义概念在上下文间的关系;为增强视频语义分析能力,将低层特征(如视觉和听觉)和视频内容分析算法集成进本体中;采用OWL(Web Ontology Language)作为本体建模语言;根据不同的感知内容和低层特征,定义描述逻辑(Description Logic,简称DL)描述不同的视频特征和处理算法如何应用于应用视频分析;采用时域描述逻辑(Temporal Description Logic,简称TDL)来描述语义事件,并且提出一个推理算法进行事件探测.提出的框架在足球视频领域进行了实验验证,得到了令人满意的实验结果.【总页数】6页(P170-174,178)【作者】白亮;刘海涛;老松杨;卜江【作者单位】国防科学技术大学信息系统与管理学院,长沙,410073;国防科学技术大学信息系统与管理学院,长沙,410073;国防科学技术大学信息系统与管理学院,长沙,410073;国防科学技术大学信息系统与管理学院,长沙,410073【正文语种】中文【中图分类】TP37【相关文献】1.基于OWL本体扩展的视频语义内容分析 [J], 白亮;老松杨;刘海涛;卜江;陈剑赟2.基于语义空间统一表征的视频多模态内容分析技术 [J], 张德;王子玮;张峰3.基于概念本体的视频内容分析框架 [J], 张良;周长胜4.基于感知概念和有限状态机的体育视频语义内容分析模型 [J], 老松杨;白亮;刘海涛;Alan F Smeaton5.一种通用的基于基本语义单元的体育视频内容分析框架 [J], 陈剑赟;李云浩;老松扬;吴玲达;文军因版权原因，仅展示原文概要，查看原文内容请购买。
基于上下文的综合战场环境本体建模
【 ｂ ｔａ ｔＢａｅ ｎｔｅ ｅ ｕｒｍｅ ｔ ｆ ｄ ｌ ｇａｓｎｈｔ ａｔ ｆ ｌｅ ｖｒｎ ｎ， ｅ ｎｏｏ ｙｂｓｄｍｅｈ ｄｉｐｅｅ ｔｄ Ｔ ｌ ｒ ｙｏ ｔ Ａ ｓｒｃｌ ｓｄｏ ｑ ｉ ｈｒ ｅ ｎ ｅｉ ｙｔｅ ｃ ｔｅｉ ｄ ｎ ｉ ｍｅ ｔａｎｗ ｏ ｔｌｇ —ａｅ ｔｏ ｒｓｎｅ ． ｏｃｅ ｌ ｌ ｕ ｏ ｍｏ ｎ ｉｂ ｌ ｅ ｏ ｓ ａ ｙａ
和分辨率 状态 。运动状 态说明空间概 念实例对 象是否能够发 生位 置的改变 ， 而分辨率 则说 明空间对象能够被处理 的级别 ， 有 助不同分辨率 下快速 判定需要处理 的对象集 合， 对处 理过 程实现简化 。
图 ２ 部分顶层领域概念层 次模 型
３ 作战行为映射 ． ２ 针对作 战过程 中的行为 ，实体状态会从根 本上影响到概
置来进行数 据集 的缩 减，对处理过程 的 目标 数据进行 空间聚
添加实例 ，并利用选择 的软件 工具实现 。
４ 综合战场环境本体模型的应用
基于上下文的本体通过本体映射合成运算和拓扑分析提 供对复杂 关系表述和快速检索 的支持 。
焦 、提高处理效率 。如在仿真计算 中，作 战实体 空间位置 的 计算 ，需要其所在 区域地理信 息支持 ，可以通过 空间位置 推
第３ ８卷 第 ４期
Ｖ０ －８ Ｊ３
・
计
算
机
工
程
２１ ０ ２年 ２月
基于本体和上下文感知的主动式计算机犯罪取证模型设计研究
模型中所涉及到的实体 、策略、权限、规则都由本体语 言描述 ，
实 现 了语 义层 面的 概 念 的 规 范统 一 。
１３蜜 罐 ．
美 国的 Ｌ ｎ ｅＳ ｉ ｎｒ Ｈ ｎｙ ｏ 定义 如下 ： ｎ ｙ ａ ｃ ｐｔ ｅ 对 ｏ ｅ ｐ ｔ ｚ Ｈｏ ｅ—
上下文信息在取证 中的作用 ：随着上下文信息的变化 ，用户
前 的信息状况 ，最大限度的还原犯罪 过程 。
我们使 用本 体的 目的是 用它来获 取、描 述 以及 表示相 关 领域 的知识 ，从 而提供 对该领域 知识 的共 同理解 ，对该 领域 的词汇 或术语 提供 一个共 同认可 的解 释，并从 对这些词 汇或 术语 以及词 汇或 术语问 的相 互关 系进 行明确定 义。通常情况 下，本体 具 有静 态性 和动态性 这两个 特性 ，静态 性不涉及动 态 的行 为，它反 映的是概 念模 型 ； 而动态 性是 指它 的内容 和
１２本体 的概念 ．
本 体是来 源于哲学领 域的一个 概念 ，近几 年来 ，计 算机 领 域的研 究者们 也开始使用 本体 的概 念 ，并将它用于模拟企
业 结 构 ，并 提 出了虚拟 企 业 这一 研 究方 向。在计 算 机领域 ， 本体 的定 义经历 了一个漫长 的过程 。Ｇｒｂ ｒ １９ 年 给出了 ｕ ｅ在 ９ ３
堪设 想。 因此我 们把取证 系统安装 在分布式蜜 网中，保证 取
证 的安 全 。
２基于本体和 上下文感知 的动态 蜜罐取证模型
２１动态取证模型 ．
结合上下文和本体 ，提出了基 于本体和上下文感 知的动态
本 体 的一个 定 义，即 “ 本体是 概念 模 型的明确 的规 范说 明” 。
后来 ，Ｂ ｒｔ ｏｓ 又在这个定义 的基础上作了修改，将本体定义为：
基于机器学习的上下文相关意图识别论文
基于机器学习的上下文相关意图识别论文
基于机器学习的上下文相关意图识别是一种新兴技术，它主要用于识别文本中表明特定意图的上下文特征。
例如，当用户在对话系统中识别用户意图时，可以使用此技术来识别用户的意图。
本文主要讨论的就是基于机器学习的上下文相关的意图识别技术。
首先，我们从基本的机器学习方法开始讨论。
机器学习是一个非常有用的技术，可以从大量数据中自动学习模式，并从中提取有价值的信息和知识。
为了实现上下文相关的意图识别，需要利用从语料库中收集的大量数据、从现有文本中提取出的上下文特征和复杂的特征抽取技术来构建有效的机器学习模型。
其次，我们介绍如何使用深度神经网络来实现上下文相关的意图识别。
深度神经网络是众多机器学习方法之一，它在语言处理领域受到广泛的应用，用于提取句子的上下文特征。
我们可以将深度神经网络应用于上下文相关的意图识别，通过其多层结构来提取句子中潜在的意图特征。
最后，我们讨论了基于机器学习的上下文相关的意图识别技术的一些潜在问题。
例如，如果对话系统中没有足够的数据来支持机器学习模型，可能会导致模型训练不够完善，从而影响识别精度。
此外，由于上下文自身的复杂性，用户的意图可能也会根据环境的变化而变化，因此需要引入新的机器学习技术来处理这样的变量。
总之，本文介绍了基于机器学习的上下文相关意图识别技术，
详细探讨了机器学习方法、深度神经网络以及复杂的特征抽取技术。
这些技术可以有效地利用大量数据和从文本中提取的上下文特征来识别用户的意图。
然而，它也存在一些问题，例如对于不同环境的变化，需要引入新的机器学习技术才能准确识别用户的意图。
一种基于本体的词汇映射方法
语． 对这些短语进行分解分析 ， 并将其 与本体知识相 映射 ， 再 与构件库 中的构件形式化描述重新进 行语义匹配． 这需要先 对 自然语 言先作处理 ， 主要 步聚如下文所述． 其
结果 ：（ ） １ 所有 词汇都 能完成 映射 ； ２ 完成 部分 映射 ； ３ （） （）
无法完成 映射．
本文采用映射方法 ， 基于知识关 系词典 考查词汇 一本 体 知识两者之间的相似 程度．
在做映射工作时 ， 语义信 息往往 不是很充 足 ， 无法直 接
映射． 通过 词典会碰 到一词 多义和 多词 同义的问题 ． 我们 对
删除 ， 如空格等特殊字符 ；２ 检索要求 的分类 ： 一步 的主 （） 这 要工作是根据一些关键词来判断用户 可能关心的检索领域 ； （） ３ 消灭停用词 ： 停用词是一些无意义的平凡词 所谓 的平 ［，
凡动词多是一些语气词 ， 对正文 的表达意 思不是太 重要． 例 如“ 或“ 是” 应该” ； ４ 词汇分 割 ： 一步 的主要工作是 根 等 （） 这
于这种 问题 的处理 ， 主要依据如下两点 ：
（） １ 字符 串匹配 ： 这种 方法主要是 依据词汇 与本体 知识
标签及说明的的字符串的相似程度 来判 断 ， 如果 相似度大则 认 为匹配成功 ， 否则 失败 ．
作者简介 ： 张泽清（９ ５一） 男 ， １７ ， 云南大理人 ， 福建师范大学福清分校计算机系讲师 ， 硕士． 研究方 向： 数据库
总第 １０期 ０
张泽清 ： 一种基于本体的词汇映射方法 图１ 是在不 同领 域词典 下输入 与之 相关 的 自然语 言映
对领域本体知识的认识是出发点和最终落脚点． 本体协商则
是 能挖 掘 用 户 真 实 含 义 的 过 程 ． 用 连 续 交 互 式 的 问 题 了 解 利 客 户 ， 是进 行 有 效 语 义 推 理 的重 要 环 节 ， 可 以 实 现 不 同 这 它
基于压铸模本体的领域概念自动抽取方法研究
Ｅｎ ｉ ｅ ｒ ｇ Ｇｕ ｎ ｚ ｏ ０ ２ Ｃ ｉａ ｇｎ ｅ ｉ ， ａ ｇ ｈ ｕ５ ２ ５， ｈ ｎ ） ｎ ｌ （Ｓ ｈ ｏ ｆＭｅ ｈ ｎｃ ｌ ｎ ｌｃｒｎｃＥ ｇｎ ｅｉ ｇ Ｇｕ ｎ ｄ ｎ ｉｅｓｔ ｆ ｅ ｈ ｏｏ ｙ Ｇ ａ ｇ ｈ ｕ５１ ０ ０， ｈｎ ） ｃ ｏ ｌ ｃ ａ ｉａ ｄ Ｅ ｅ ｔ ｉ ｎ ｉｅ ｒ ， ａ ｇ ｏ ｇＵｎｖ ｒｉ ｏ Ｔ ｃ ｎ ｌｇ ， ｕ ｎ ｚ ｏ ０ ９ Ｃ ｉａ ｏ ａ ｏ ｎ ｙ
压铸模基本机构 、 铸模基本结构卧室 、 基本结构卧式 冷、 结构卧式冷室 、 卧式冷室压 、 冷室压铸 、 室压铸机
二 “ － Ｊｇ ｍ －ｒ ａ ”
（） ４ 第三步所产生 的候选词语并不一定是真正 的合成词语 ，
行检验 ， 成为候选概念 。 由于领域概念具有较强的专业性 ， 要 要经过评价确认。 还需
机 械 设 计 与 制 造
２４ ２
第 ７期
２１ ０ １年 ７月
Ｍａ ｈ ｎ ｒ Ｄｅ ｉｎ ｃ ｉｅｙ ｓｇ
＆
Ｍａ ｕ ａ ｔ ｒ ｎ ｆ ｃｕ ｅ
文章编号 ：０ １ ３ ９ （ ０ ）７ ０ ２ — ２ １０ — ９ ７ ２ １ ０ — ２４ ０ １
基 于压 铸模 本体 的领 域 概 念 自动抽 取 方 法研 究 木
压铸模知识 的载体主要有半结 构化 文本 （ Ｈ ｍ 、ＭＬ文 如 ｔｌ Ｘ
、 然语言文本（ 标准 、 设计手册等技术文本） 以及图纸 其中 自 。 种专 门本体 ， 它给出了领域实体概念及相互关 系 、 领域活动以 本） 自
如何使用自然语言处理技术进行关系提取与实体关系抽取
如何使用自然语言处理技术进行关系提取与实体关系抽取自然语言处理（Natural Language Processing，简称NLP）是人工智能领域中的重要研究方向之一。
随着互联网的普及和大数据时代的到来，大量的文本数据产生并储存，因此如何从海量的文本数据中提取有用的信息成为了一项极具挑战性的任务。
关系提取与实体关系抽取是NLP领域中的两个重要任务，下面将介绍如何使用自然语言处理技术进行这两个任务。
关系提取是指从文本中获取实体之间的关系信息。
这些关系可以是实体间的共现、依存等。
关系提取可以帮助我们理解文本中的实体之间的关联关系，进而用于构建知识图谱、信息检索等任务。
下面介绍一些常用的关系提取方法：1. 基于规则的方法：通过事先定义一些关系提取规则，然后利用这些规则来从文本中提取关系。
例如，我们可以定义一条规则，如果两个实体在文本中以某种方式共现，则认为它们之间存在某种关系。
这种方法的优点是简单直观，但需要大量的人工定义规则。
2. 基于模式匹配的方法：通过在文本中匹配预定义的模式来提取关系。
这些模式可以是一系列的词语或者是语法结构。
例如，我们可以定义一个模式，即“[实体1]—[关系词]—[实体2]”，然后利用模式匹配算法从文本中找到满足该模式的片段，并提取出实体和关系。
这种方法的优点是灵活性较高，可以根据实际情况定义不同的模式。
3. 基于机器学习的方法：通过机器学习算法来自动从文本中学习关系提取模型。
首先，需要标注一些文本样本，指定实体和关系的位置。
然后使用这些标注样本训练一个关系提取模型，并利用该模型从未标注的文本中提取关系。
这种方法的优点是可以充分利用大量的语料库进行训练，提高关系提取的准确性。
实体关系抽取是指从文本中抽取实体以及它们之间的具体关系。
与关系提取不同，实体关系抽取的目标更加具体化，要求不仅提取出关系，还要找出实体的具体信息。
下面介绍一些常用的实体关系抽取方法：1. 基于规则的方法：与关系提取类似，可以定义一些规则来抽取实体和关系。
智能客服机器人语言理解能力提升方案
智能客服语言理解能力提升方案第一章语言理解基础 (2)1.1 语言理解概述 (2)1.2 语言处理技术概述 (3)1.2.1 词法分析 (3)1.2.2 语法分析 (3)1.2.3 语义分析 (3)1.2.4 语境分析 (3)1.2.5 对话系统 (3)1.2.6 领域适应性 (3)第二章数据准备与预处理 (3)2.1 数据收集与整理 (3)2.1.1 数据来源 (4)2.1.2 数据整理 (4)2.2 数据清洗与标注 (4)2.2.1 数据清洗 (4)2.2.2 数据标注 (4)2.3 数据增强与平衡 (5)2.3.1 数据增强 (5)2.3.2 数据平衡 (5)第三章词向量表示 (5)3.1 词向量简介 (5)3.2 词向量训练方法 (5)3.2.1 隐含狄利克雷分配（LDA） (5)3.2.2 神经网络（NNLM） (5)3.2.3 Word2Vec (6)3.2.4 FastText (6)3.3 词向量优化策略 (6)3.3.1 负采样 (6)3.3.2 上下文窗口调整 (6)3.3.3 预训练和微调 (6)3.3.4 正则化方法 (6)3.3.5 多任务学习 (6)第四章语法分析 (7)4.1 语法分析概述 (7)4.2 基于规则的分析方法 (7)4.3 基于深度学习的分析方法 (7)第五章语义理解 (8)5.1 语义理解概述 (8)5.2 基于本体的语义理解 (8)5.3 基于深度学习的语义理解 (8)第六章情感分析 (9)6.1 情感分析概述 (9)6.2 基于规则的情感分析 (9)6.3 基于深度学习的情感分析 (9)第七章实体识别 (10)7.1 实体识别概述 (10)7.2 基于规则的方法 (10)7.3 基于深度学习的方法 (11)第八章对话管理 (12)8.1 对话管理概述 (12)8.2 对话状态跟踪 (12)8.2.1 对话状态的定义 (12)8.2.2 对话状态跟踪方法 (12)8.3 对话策略学习 (12)8.3.1 对话策略的定义 (13)8.3.2 对话策略学习方法 (13)第九章模型评估与优化 (13)9.1 模型评估指标 (13)9.2 模型功能分析 (13)9.3 模型优化策略 (14)第十章实践与应用 (14)10.1 智能客服应用场景 (14)10.2 实践案例分析 (15)10.3 未来发展趋势与展望 (15)第一章语言理解基础1.1 语言理解概述语言理解是自然语言处理（NLP）领域的一个核心问题，它涉及到计算机对人类自然语言文本的理解和解析。
本体概念、描述语言和方法论方面的综述
本体概念、描述语言和方法论方面的综述。
一、本体的概念Ontology 的概念最初起源于哲学领域，可以追溯到公元前古希腊哲学家亚里士多德（384-322 b.c.）。
它在哲学中的定义为“对世界上客观存在物的系统地描述，即存在论”，是客观存在的一个系统的解释或说明，关心的是客观现实的抽象本质[1]。
在人工智能界，最早给出Ontology定义的是Neches等人，他们将Ontology定义为“给出构成相关领域词汇的基本术语和关系，以及利用这些术语和关系构成的规定这些词汇外延的规则的定义”[1]。
Neches认为：“本体定义了组成主题领域的词汇表的基本术语及其关系，以及结合这些术语和关系来定义词汇表外延的规则。
”（“An ontology defines the basic terms and relations comprising the vocabulary of a topic area, as well as the rules for combining terms and relations to define extensions to the vocabulary.”）[6]。
后来在信息系统、知识系统等领域，越来越多的人研究Ontology，并给出了许多不同的定义。
其中最著名并被引用得最为广泛的定义是由Gruber提出的，“本体是概念化的明确的规范说明”，原文参见："An ontology is an explicit specification of a conceptualization. The term is borrowed from philosophy, where an Ontology is a systematic account of Existence. For AI systems, what "exists" is that which can be represented. When the knowledge of a domain is represented in a declarative formalism, the set of objects that can be represented is called the universe of discourse. This set of objects, and the describable relationships among them, are reflected in the representational vocabulary with which a knowledge-based program represents knowledge. Thus, in the context of AI, we can describe the ontology of a program by defining a set of representational terms. In such an ontology, definitions associate the names of entities in the universe of discourse (e.g., classes, relations, functions, or other objects) with human-readable text describing what the names mean, and formal axioms that constrain the interpretation and well-formed use of these terms. Formally, an ontology is the statement of a logical theory."[2, 3]。
中文专利领域本体概念间非分类关系抽取
中文专利领域本体概念间非分类关系抽取何宇;吕学强;刘秀磊;徐丽萍【摘要】将中文专利本体中实体间非分类关系抽取问题限定为满足SAO结构的实体间关系抽取问题.针对SAO结构关系抽取任务中关系实例结构正确但是语义错误的问题,提出一种句法分析特征和关系词词典特征结合传统特征的关系抽取方法.将新特征和上下文特征、距离特征等传统特征相结合,使用支持向量机进行关系抽取实验.实验结果表明,该方法优于仅使用传统特征的关系抽取方法.%The non-taxonomic relations between concepts in Chinese patent ontology were limited to the problem of SAO-based relation extraction from Chinese patent documents.To solve the problem that relation structure is right but the semantic is wrong,syntactic information and dictionary of relationship were proposed to use.Support vector machine was used and traditional features such as lexical information,distance of concepts were combined with new features to carry on the experiments.Results show that this method has better performance than traditional one.【期刊名称】《计算机工程与设计》【年(卷),期】2017(038)001【总页数】6页(P97-102)【关键词】SAO结构;非分类关系抽取;句法分析;支持向量机;本体学习【作者】何宇;吕学强;刘秀磊;徐丽萍【作者单位】北京信息科技大学网络文化与数字传播北京市重点实验室,北京100101;北京信息科技大学网络文化与数字传播北京市重点实验室,北京 100101;北京信息科技大学计算机学院,北京 100101;北京城市系统工程研究中心,北京100089【正文语种】中文【中图分类】TP391.1本体学习的主要任务是概念获取和关系抽取。
基于词法匹配与词嵌入的医疗知识实体上下位关系抽取
法 MRR、MAP 和 P@1 分别提高了 4.40%、0.23%和 2.00%，具有很好的效果。
关键词
上下位关系；医疗知识实体；模式匹配；机器学习
中图分类号
TP301.6
DOI：10. 3969/j. issn. 1672-9722. 2020. 12. 018
Key Words
hypernym relation，medical knowledge entity，pattern matching，machine learning
Class Number
1
TP301.6
海量数据进行整合、管理及应用。
引言
实体上下位关系抽取是知识图谱本体构建过
人工智能研究与社会需求表明，医学知识库的
所有语言环境，导致其召回率较低。为提高召回率
和正确率，Sonw 等 用上下位词间的依赖路径进行
［7］
名更有规律，所以本文将在模型中使用词法模式匹
配方法。又因为基于词法匹配的方法和基于词嵌
入的方法存在着互补性［25］，且有研究表明在领域内
基于词嵌入的方法有着更好的表现［26］，因此本文将
结合两种方法构成综合模型。
起着核心作用。依据实体上下位关系构建的层次
的学习到上下位关系［20~21］。目前对于有监督任务，
分类系统能够改善很多自然语言处理和信息检索
任务，比如个性化推荐和问答系统。随着互联网时
代的到来，借助大量网络数据，一些上下文层次结
构的构建利用了人工编辑的知识库（比如维基百
科、维基数据等）。但是这些大型层次分类系统缺
基于BERT的实体关系抽取模型研究
基于BERT的实体关系抽取模型研究自然语言处理（Natural Language Processing, NLP）是人工智能领域中的重要研究方向之一。
在NLP中，实体关系抽取（Relation Extraction）是一项关键任务，它旨在从文本中提取出实体之间的语义关系。
近年来，基于深度学习的模型在实体关系抽取领域取得了显著的进展。
本文将重点研究基于BERT的实体关系抽取模型。
BERT（Bidirectional Encoder Representations from Transformers）是由Google于2018年提出的一种预训练语言模型。
相比于传统的基于循环神经网络（RNN）或卷积神经网络（CNN）的模型，BERT采用了Transformer结构，能够更好地捕捉上下文信息，从而提高了模型的性能。
在实体关系抽取任务中，输入是一个包含实体对及其上下文的句子，输出是实体对之间的关系类别。
传统的方法通常采用基于特征工程的方式，需要手动设计特征并进行选择。
而基于深度学习的模型能够自动学习特征表示，无需依赖人工设计的特征。
基于BERT的实体关系抽取模型通常包含以下几个步骤。
首先，对输入的句子进行分词，并将每个词转化为对应的词向量。
然后，将词向量输入到BERT模型中进行预训练，得到上下文相关的词向量表示。
接下来，通过一些注意力机制和池化操作，将实体对的上下文信息进行整合。
最后，将整合后的表示输入到全连接层进行分类，得到实体对之间的关系类别。
近年来，研究者们提出了多种基于BERT的实体关系抽取模型。
其中，一种常用的方法是使用实体对的表示进行分类。
具体而言，可以将实体对的表示拼接起来作为分类器的输入，或者通过一些注意力机制对实体对的表示进行加权融合。
这种方法能够捕捉到实体对之间的语义信息，从而提高了模型的性能。
除了使用实体对的表示进行分类外，还有一些研究将实体对的表示与上下文的表示进行融合。
例如，可以使用注意力机制将实体对的表示与上下文的表示进行加权融合，从而更好地捕捉实体对之间的关系。
nlp上下文理解
nlp上下文理解
NLP（自然语言处理）的上下文理解是指根据语境和上下文来理解和解释文本的能力。
它涉及到对句子、段落或整篇文章进行语义分析，以便更好地理解其中的含义和意图。
上下文理解可以包括以下方面的内容：
1. 词义消歧：当一个词有多种不同的含义时，根据上下文来确定其具体含义。
例如，在句子中出现的“银行”一词，根据上下文可以确定是指金融机构还是河岸边的地方。
2. 语法分析：通过分析句子的结构和语法规则，理解句子中各个成分之间的关系。
这可以帮助我们理解句子的含义和句子中词语之间的逻辑关系。
3. 指代消解：当一个名词在上下文中被代词替代时，需要确定代词所指代的具体对象。
例如，在句子中出现了“他”，需要根据上下文来确定“他”是指谁。
4. 实体识别：识别出文本中的具体实体，如人名、地名、组织机构等。
这有助于理解文本中涉及的具体对象和关系。
5. 上下文推理：通过对上下文信息的推理，推断出隐含的信息和逻辑关系。
例如，从上下文中推断出某个人的情感状态或意图。
6. 上下文生成：基于上下文理解的结果，生成与上下文相一致的回复或输出。
上述是NLP上下文理解的一些方面，这些技术可以帮助机器
更好地理解和处理自然语言文本，实现更准确、智能的对话和处理。
基于领域本体的概念相似度算法研究
通信作者简介 ： 王
与 数据 挖 掘 。
鑫 （９ ４ ） ， １８ 一 女 硕士生 ， 研究方 ： 为人工智能
个 概念 间语 义 相 似 度 ； 献 ［ ］ 概 念 实 例 采用 联 文 ６对
合 分布概 率 统计 的方 法 ， 定 概 念 间语 义相 似 度 ； 确
２ ５期
吴雅 娟 ， ： 于领域本体 的概念相似度算法研究 等 基
同的时候 ， 相 似度 为 １ 反 之 ， 比较 的 ２个概 念 其 ； 当
没有 任 何 关 联 的 时候 ， 相似 度 为 ０ 在 其 他 情 况 其 ；
下 ， 比较 的两 个 概 念 之 间 有 一 定 的 关 联 的情 况 即 下 ， 相似度 在 ０到 １之 间 。 其
１ ２ 相 关 研 究 ．
第 一 作 者 简介 ： 雅娟 （９ ６ ） 女 ， 龙 江 望 奎 人 ， 士 ， 吴 １６ 一 ， 黑 硕 教授 ， 研
究 方 向 ： 工 智 能与 数 据 挖掘 ， 算 理 论与 算 法 。 人 计
关研究 起步 相对 较 晚。具 体而 言 ， 文献 ［ ，］ 首 ４５ 中，
先 计算 两 个概 念 在树 中的 语义 距 离 ， 然后 转换 为 ２
取值范 围在 ０～１之 间。 当 比较 的 ２个 概念 完 全相
高， 本体 在信息检 索 中的应 用 能够 显 著地 提 高检 索 的精 确率和返 回率 … 。在信 息 检 索领 域 中 ， 念 的 概
语 义相似 度计 算 起 着 重 要 的 作 用 。冈此 需 研 究 基 于领域 本体 的计算 概念语 义相似度 的计算方 法 。
第１ ０卷
第２ ５期
２ １ ９月 ０ ０年
科
学
nlp上下文语义的例子-概述说明以及解释
nlp上下文语义的例子-概述说明以及解释1.引言1.1 概述自然语言处理（Natural Language Processing, NLP）是人工智能领域中的一个重要分支，其旨在帮助计算机理解、处理和生成自然语言文本。
在NLP中，解决语言理解和语言生成的问题是至关重要的，而上下文语义作为NLP的重要组成部分，扮演着关键的角色。
上下文语义指的是在理解语言时考虑文本所处的上下文环境，从而更准确地捕捉语言的含义和表达。
在现实生活中，我们往往通过上下文来推断语句或词语的意义，比如在对话中根据对方的话语推断其意图，或者在阅读文章时根据前后文内容理解文章主题等。
本文将重点探讨上下文语义在NLP中的重要性和应用，以及提供一些实际的例子来说明上下文语义的作用和意义。
希望通过本文的阐述，读者可以更深入地了解和认识上下文语义在自然语言处理中的重要性和实际应用场景。
1.2 文章结构本文分为引言、正文和结论三个主要部分。
在引言部分中，我们将对自然语言处理（NLP）的定义和概念进行介绍，展示上下文语义在NLP中的重要性，并说明本文的目的。
在正文部分中，我们将深入探讨上下文语义的重要性，并通过一些具体的示例来解释上下文语义在自然语言处理中的应用和意义。
最后，在结论部分，我们将总结文章的内容，强调上下文语义在NLP中的作用，并展望未来上下文语义在自然语言处理中的发展趋势。
通过这样的结构安排，读者可以清晰地了解本文的主要内容和论述脉络，帮助他们更好地理解和掌握上下文语义在自然语言处理中的重要性和应用。
1.3 目的NLP作为人工智能领域的重要分支，其在文本处理和语义分析方面有着广泛的应用。
在本文中，我们旨在探讨上下文语义在自然语言处理中的重要性，并通过具体的例子来展示其在语言理解和信息抽取中的作用。
通过研究上下文语义的例子，我们可以更好地理解文本中包含的信息，从而提高机器对语言处理的准确性和效率。
同时，深入探讨上下文语义可以帮助我们更好地理解人类语言交流的复杂性，为构建更智能的自然语言处理系统提供参考和指导。
基于语义分析的网络信息抓取与知识提取
基于语义分析的网络信息抓取与知识提取网络信息抓取与知识提取是当今互联网时代的重要任务之一。
随着信息爆炸式增长，人们急需从大量的文本信息中提取有用的知识和信息，以辅助决策、推理和研究等活动。
基于语义分析的方法成为了解决这一问题的重要手段之一。
本文将介绍基于语义分析的网络信息抓取与知识提取的原理、应用以及存在的挑战和解决方案。
首先，我们来了解一下基于语义分析的网络信息抓取的原理。
语义分析是指对文本进行深层次理解和解析，找出其中的实体、关系和属性等重要信息。
传统的文本分析方法主要基于关键词匹配和统计方法，容易受到歧义、多义性等问题的干扰。
而基于语义分析的方法则能够实现更精确的信息抓取和提取。
它利用自然语言处理和机器学习等技术，对文本进行词义消歧、语法分析和语义推理等处理，从而识别出文本中的实体，建立实体之间的关系，并提取出实体的属性和特征。
基于语义分析的信息抓取有许多应用。
首先，它可以用于搜索引擎的优化。
传统的搜索引擎主要基于关键词匹配，容易受到关键词多义性和噪声干扰的影响。
而基于语义分析的搜索引擎可以更好地理解用户的查询意图，提供更准确、有用的搜索结果。
其次，基于语义分析的信息抓取可以应用于情感分析和舆情监测。
通过分析大量的网络文本，可以了解用户对产品、服务以及事件的评价和情感倾向，帮助企业和政府做出更好的决策。
此外，基于语义分析的信息抓取还可以应用于智能问答系统、知识图谱构建等领域，为人们提供更智能化和个性化的信息服务。
然而，基于语义分析的信息抓取仍然面临着一些挑战。
首先，语义分析是一个复杂的任务，需要充分考虑语言的多义性、词序和上下文等多个因素。
这使得准确识别实体和建立实体关系变得困难。
其次，因为互联网上的文本数量庞大，信息抓取的规模巨大。
如何高效地处理这些文本，并保证处理的准确性和稳定性，也是一个亟待解决的问题。
此外，随着互联网技术的不断发展，信息抓取和提取的技术也在不断演进，如何保持技术的先进性和适应性也是一个挑战。
自然语言处理提取实体和关系 技术
自然语言处理提取实体和关系技术自然语言处理（Natural Language Processing，简称NLP）是人工智能领域中的一个重要分支，它致力于研究如何使计算机能够理解、分析、处理和生成自然语言文本。
在NLP的研究和应用中，提取实体和关系是一项重要的任务，它涉及到从文本中识别并抽取出具有特定意义的实体（Entity）以及实体之间的关系（Relation）。
本文将围绕NLP中提取实体和关系的技术展开讨论，并围绕这一主题进行深入探讨。
一、提取实体的技术在自然语言处理中，实体通常指的是文本中具有特定指称的对象，比如人名、地名、组织机构名等。
提取实体的任务是从文本中识别出这些具有特定指称的对象，并将其标注或抽取出来。
为了实现实体的准确识别和提取，NLP领域研究者提出了多种技术和方法。
1. 基于规则的实体提取方法基于规则的实体提取方法是一种最早的实体识别方法，它通过制定一系列规则来匹配文本中可能的实体，并进行抽取。
这种方法的优势在于对领域知识要求不高，易于实现和调整，但由于实体的多样性和文本的复杂性，基于规则的方法往往难以覆盖所有情况，导致识别效果有限。
2. 基于机器学习的实体提取方法随着机器学习技术的发展，基于机器学习的实体提取方法逐渐成为主流。
这种方法通常以有监督学习的方式，利用标注好的语料库进行训练，从中学习实体的特征和规律，然后应用在新的文本中进行实体提取。
该方法能够更好地适应不同领域的文本特点，提高了实体提取的准确性和泛化能力。
3. 基于深度学习的实体提取方法近年来，深度学习技术的快速发展提供了新的思路和方法来解决实体提取的问题。
基于深度学习的实体提取方法利用神经网络模型，可以更好地学习文本中的语义和上下文信息，从而提高实体提取的精度和鲁棒性。
利用命名实体识别（Named Entity Recognition，简称NER）任务，可以将实体识别任务转化为序列标注问题，并采用深度学习模型如BiLSTM-CRF等进行建模和训练，从而取得较好的效果。
基于法院判决文书的法律知识图谱构建和补全
24
郑 州 大 学 学 报 (理 学 版)
第 53 卷
因此本文在以上问题的基础上,以“ 伪卡盗刷判决书” 为研究对象,目标是为每一份判决书文本构建出 的知识图谱进行自动补全。 主要的贡献有:
1) 整合了基于 StanfordNLP ( 斯坦福自然语言处理包) 的伪卡盗刷知识图谱构建流程,实验结果验证了 该流程的可行性与有效性,为下一步的补全工作提供了数据基础;
Step4 定义概念之间的关系。 概念的分类层次结构体现了分类概念间的一种继承关系。 但是在领域本 体中,概念和概念之间除了通过继承关系来交互,还根据需要定义其他关系。 如在本文中,警察和刑警之间 应该是相容关系。
根据上述本体的构建原则,本文 构 建 了 伪 卡 盗 刷 本 体 中 的 核 心 概 念 ( 部 分 ) ———人 物:开 户 人、盗 刷 人、 银行客服、警察等;报警:电话挂失、电话冻结、银行报警、电话报警等;刷卡:ATM 取现、柜台取现、POS 机刷 卡、网上支出等。 2. 2 伪卡盗刷判决书的语义角色标注和三元组的建立
摘要: 由于法律领域知识图谱专业性强、结构复杂,而现有的关系抽取方法因各个领域的需求和术语不同,无法适 用于法律领域知识图谱的构建和补全。 首先,提出了基于 StanfordNLP 关系 抽 取 机 制 的 法 律 知 识 图 谱 构 建 方 法;然 后,构建基于设置谓语导向词的深度学习模型对法律知识图谱进行补全;最后,选用典型案例( 伪卡盗刷判决书) 作 为文本对象验证模型的可行性。 与其他知识图谱补全模型相比,本模型的准确率达到 95% 以上。 基于谓语导向词 的 深 度 学 习 模 型 综 合 了 自 动 构 建 和 人 工 参 与 ,提 高 了 关 系 抽 取 的 准 确 率 和 补 全 的 效 率 ,能 最 大 程 度 挖 掘 判 决 书 文 本中的深层隐式关系,更好地发挥判决书文本的应用技术。 关键词: 关系抽取; 领域术语; 知识图谱构建; 深度学习 中图分类号: TP391 文献标志码: A 文章编号: 1671-6841( 2021) 03-0023-07 DOI: 10. 13705 / j. issn. 1671-6841. 2020304
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｍａｎ ｙ ａ ｏ ｔｄ ｆ ｒｒｌｔ ｎ ｅ ｔ ｃｉ ｎ ｉ ｃ ｈ ｒ ｄｔ ｎ １ ｔ ｏ ｓｏ ｌ ｏ ｓｄ ｒ ｄ ｔｅ ｗ ｒ ｅ ｕ ｎ ｙ ｔ ｅ ｅｗｅｅ ｍａ ｙ ｓ ｂ ｉ ｌ ｄ ｐｅ ｏ ｅ ａｉ ｘｒ ｔ ．Ｓ ｎ ｅｔ ｅｔａ ｉ ｏ ａ ｈ ｄ ｎｙ ｃ ｎ ｉ ｅ ｅ ｈ ｏ ｄ ｆ ｑ ｅ ｃ ． ｈ ｒ ｒ ｎ ｕ — ｏ ａ ｏ ｉ ｍｅ ｒ
ｄｉ１ ．９ ９ ｊｉ ｎ １０ 一６ ５ ２ １ ． １０ ｌ ｏ ：０ ３ ６ ／．ｓ ．０ ｌ３ ９ ． ０ ０ ０ ．２ ｓ
Ｓ ｕ ｙ ｏ ｏ ｔｘ ・ ａ ｅ ｏ ｉ ｎ ｏ ｏ ｙ ｃ ｎ ｅ ｔ ｔ ｄ ｎ ｃ ｎ ｅ ｔｂ ｓ ｄ ｄ ｍａ ｎ ｏ ｔ ｌ ｇ ｏ ｃ ｐ ｅ ｔａ ｔ ｎ ａ ｄ ｒ ｌ ｔｏ ｘ ｒ ｃ ｉｎ ｘ ｒ ｃ ｉ ｎ ｅ ａ ｉ ｎ ｅ ｔａ ｔ ｏ ｏ
张玉芳 杨 ，
摘
芬 熊忠 阳 Leabharlann ， 陈小莉 （． １ 重庆 大学 计算机 学 院 ，重庆 ４ ０ ４ ； ． ０ ０ ４ ２ 重庆 广播 电视 大学 技 术 中心 ，重庆 ４ ０ ５ ） ０ ０ ２
要 ： 目前本体 学 习的研究 重点在 于概 念及 关 系的提 取 ， 概念提 取领域 一致度 与领域 相 关度 相 结合 的方 法取
第２ ７卷 第 １期
２１ ０ ０年 １月
计 算 机 应 用 研 究
Ａｐ ｌ ａ ｉｎ Ｒｅ ｅ ｒ ｈ ｏ ｍｐ ｔ ｒ ｐ ｉ ｔ ｓ ａ ｃ ｆＣｏ ｕ ｅ ｓ ｃ ｏ
Ｖｏ ． ７ Ｎｏ １ １２ ．
Ｊｎ ２ １ ａ． ００
基 于 上 下 文 的 领 域 本 体 概 念 和 关 的 取 米 系 提
ｓａ ｔａ ｎ ｃ ｕｒｃ ｅ ｎ ｌａ ｎ ｎ ｅ ｕｔ ．Ｔｏ ｏ ｅｃ ｍｅ ｔｅｓ ｈｏ ｔｏ ｎｇ ，ｔ ｓｐ ｐｅ ｒ ｐｏ ｅ ｗ ｌａ ｎｎｇ ｍｅｈ ｄ ｂ ｓ ｄ ｏ ｔ ｎ ｉｌｉ ａ ｃ ａ ｉ ｓｉ ｅ ｒ ｉ ｇ ｒ ｓ ｌｓ ｖ ｒ ｏ ｈ ｅｓ ｒｃ ｍｉ ｓ ｈｉ ａ ｒｐ ｏ ｓ ｄ ａｎｅ ｅ ｒ ｉ ｔ ｏ ａ ｅ ｎ ｃ ｎ ｅ ｔ Ｉ ｈｉ ｙ．ｒ ｐ ｅ ｅ ｔ ｄ ｓ ｍａ ｔｃ ｓｍｉａ ｉｙｂｅｗｅ ｎ ｗｏ ｄ ｎ ｏ ｌ ｖ ｒｏ ｈｅ ｅｓ ｏｔ ｏ ｎｇ ． Ｔｈ ｘ ｅ ｉ ｎａ ｏ ｔ ｘ ． ｎ ｔ ｓｗａ ｅ ｒ ｓ ｎ ｅ ｅ ｎ ｉ ｉ ｌｒｔ ｔ ｅ ｒ ｓａ ｄ ｃ ｕ ｄ ｏ ｅｃ ｍｅ ｔ ｓ ｈ ｒｃ ｍｉ ｓ ｅｅ ｐ ｒｍｅ ｔｌ ｒ ｓ ｔ ｈ ｗ ｈ ｔｔｉ ｔｏｄ ｃ ｎ ｅｆ ｃｉｅｙ ｉ ｒ ｖ ｈ ｒｏｍ ａ ｃ ｆｏ ｔ ｌｇ ｅ ｒ ｎｇ ｓ ｓｅ ． ｅ ｕｌｓｓ ｏ ｔ ａ ｈ ｓｍｅｈ ａ ｆｅ ｔｖ ｌ ｍｐ ｏ ｅ ｔｅ ｐｅｆ ｒ ｎ ｅ ｏ ｎ ｏｏ ｙ ｌａｎｉ ｙ ｔｍ
＿
Ｋｅ ｒ ｓ： ｏ ｔｌｇ ｅ ｒ ｎ ｙ ｗｏ ｄ ｎｏ ｏ ｙ ｌａ ｎｉｇ； ｃ ｎｔｘ ； ｃ ｎｃ ｐ ｘｒ ｃｉｎ；ｒ ｌｔｏ ｘｒ ｃ ｉｎ；ｓ ｍａ ｔｃ ｓｍ ｉ ｒｔ ｏ ｅ ｔ ｏ ｅ ｔｅ ｔａ ｔｏ ｅａ ｉｎ ｅ ｔａ ｔｏ ｅ ｎ ｉ ｉ ｌ ｉｙ ａ
和 关 系提 取 的 准 确 度 。
关键 词 ：本体 学 习；上 下文 ；概念提 取 ；关 系提 取 ； 义相 似度 语
中 图分 类 号 ：Ｔ ３ １ Ｐ ９ 文 献 标 志 码 ：Ａ 文 章 编 号 ：１０ 一 ６ ５ ２ １ ） 一０ ４ ０ ０ ｌ３ ９ （ ０ ０ 叭 ０ ７ —３
ＺＨＡＮＧ —ａ ． ＹＡＮＧ ｎ Ｙｕ ｆｎｇ Ｆｅ ．ＸＩ ＯＮＧ ｏ ｇ—ａ ．ＣＨＥＮ ａ ｌ Ｚｈ ｎ ｙ ｎｇ Ｘｉｏ—ｉ
（ ｃｏｌｆＣｍ ｕｅ，Ｃ ｏｇｉｇ Ｕ ｉ ｒｔ，Ｃ ｏｇｉｇ４０ ４ Ｃ ｉ ２ Ｃｎｅ ｅｃｉ ｅｈ ｉ ｅ ｈｎ ｑｎ ａ ｉ Ｔ ｎｖｒ １Ｓｈｏ ｏ ｏ ｐ ｔ ｒ ｈｎ ｑｎ ｎｖ ｓ￣ ｈｎ ｑ ００ ４， ｈｎ ｅ ｉ ｎ ａ； ． ｅｔ ｏ Ｔａｈｎ Ｔｃｎｑ ，Ｃ ｏｇｉｇＲ ｄｏ＆ Ｖ Ｕ ｉ ｓ ｒｙ ｇ ｕ ｅｉ
得 了比较好 的效 果 ， 而关 系提取 则主要 采 用基 于 关联 规 则 的方 法。这 种本 体概 念 、 系学 习方 法 由 于只考 虑词 关 频， 提取 结 果准 确性 欠缺 。针对 这种缺 陷 ， 统计 的基础 上考虑 了语 义 因素 ， 用词汇上 下 文计 算概 念 的语 义相 在 利 似度 并将其 应用到概 念与 关 系提取 中。实验结 果表 明， 汇上 下文与传统 统计相 结合 的方 法能够 有效 改进概 念 词
ｔ ，Ｃ ｏ ｇ ｉ ０ ０ ２ ｈｎ ） ｙ ｈ ｎ ｑｎ ４ ０ ５ ，Ｃ ｉａ ｇ
Ａ ｂ ｔａｃ ｓ ｒ ｔ： Ｒｅ ｅ ｔｙ，ｏ ｔｌ ｇ １ａ ｎｎｇｆ ｃ ｓ ｓ ｏ ｃ ｎｃ ｐｔｅ ｔａ ｔｏ ｎｄ ｃ ｎｃ ｐｔａ ｅａ ｉｎ ｅ ｔａ ｔｏ ｃ ｎｌ ｎ ｏｏ ｙ ｅ ｒ ｉ ｏ ｕ ｅ ｎ ｏ ｅ ｘｒ ｃ ｉｎ ａ ｏ ｅ ｕ ｌｒ ｌｔｏ ｘ ｒｃ ｉｎ． Ｆｏ ｏ ｃ ｐ ｘｒ ｅ ｒｃ ｎ ｅ ｔｅ ｔａ —
．
ｔ ｎ，ｄ ｍａｎ ｒ ｌｖ ｎｃ ｏ ｉ ｏ ｏ ｉ ｅｅ ａ ｅｃ ｍｂｉｅ ｔ ｏ ｉ ｏ ｓｓｅ ｔｈ ｄ ｖ ｅｄ ｄ ｂｅｔｒｒ ｓ ｌｓ．ａ ｄ ｔ ｅ ａｇ ｒｔ ｍ ｆａ ｓ ｃａｉｎ ｒ ｌｓｗａ ｎ ｄ ｗｉｈ ｄ ｍａ ｎ ｃ ｎ ｉｔｎ ａ ｉｌ ｅ ｔｅ ｅ ｕ ｔ ｎ ｈ ｌｏｉｈ ｏ ｓ ｏ ｉｔ ｕｅ ｓ ｏ