摘要：研究比較了循環(huán)神經(jīng)網(wǎng)絡(luò)系列算法以及自然語言處理等多個(gè)算法在PennTreebank數(shù)據(jù)集上的表現(xiàn)，采用ROUGE得分作為評(píng)價(jià)指標(biāo)。結(jié)果顯示，自然語言處理模型在自動(dòng)摘要任務(wù)上表現(xiàn)最佳，能夠生成更準(zhǔn)確、更全面的摘要。此外，在不同類型的數(shù)據(jù)中，基于自然語言處理技術(shù)的人工智能抽取方法也表現(xiàn)出較高的抽取準(zhǔn)確率，優(yōu)于傳統(tǒng)方法。這表明自然語言處理在科技情報(bào)信息收集與處理領(lǐng)域具有顯著優(yōu)勢(shì)。

關(guān)鍵詞：人工智能科技情報(bào)收集與處理自然語言處理

ResearchontheOptimizationoftheCollectionandProcessingofScientificandTechnologicalIntelligenceInformationBasedonArtificialIntelligenceServices

WANGLun

NeijiangInstituteofScientificandTechnologicalInformationandNewTechnologyDevelopment，Neijiang，SichuanProvince，641000China

Abstract：Thispapercomparestheperformanceofmultiplealgorithmssuchastheserialalgorithmofrecurrentneuralnetworksandnaturallanguageprocessing（NLP）onthePennTreebankdataset，andusestheROUGEscoreastheevaluationindex.ResultsshowthattheNLPmodelperformsbestontheautomaticsummarytask，whichcangeneratemoreaccurateandcomprehensivesummaries.Inaddition，indifferenttypesofdata，theAIextractionmethodbasedonNLPtechnologyalsoshowshighextractionaccuracyandisbetterthantraditionalmethods，whichshowsthatNLPhassignificantadvantagesinthefieldofthecollectionandprocessingofscientificandtechnologicalintelligenceinformation.

KeyWords：Artificialintelligence;Scientificandtechnologicalintelligence;Collectionandprocessing；NaturalLanguageProcessing

近年來，隨著人工智能技術(shù)的迅猛發(fā)展，特別是自然語言處理（NaturalLanguageProcessing，NLP）技術(shù)的不斷創(chuàng)新，科技情報(bào)的收集與處理迎來了新的機(jī)遇[1]。當(dāng)前，研究者們正積極探索如何利用人工智能（ArtificialIntelligence，AI）技術(shù)優(yōu)化情報(bào)收集與處理流程。其中，基于NLP技術(shù)的AI抽取方法備受關(guān)注。該方法能夠自動(dòng)執(zhí)行數(shù)據(jù)清洗與標(biāo)準(zhǔn)化任務(wù)，有效識(shí)別并鏈接文本中的關(guān)鍵實(shí)體至知識(shí)圖譜，進(jìn)而精準(zhǔn)抽取實(shí)體間的復(fù)雜關(guān)系[2]。研究旨在進(jìn)一步驗(yàn)證NLP技術(shù)在科技情報(bào)信息收集與處理優(yōu)化領(lǐng)域的顯著優(yōu)勢(shì)。通過引入循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）系列算法、正規(guī)化梯度下降算法（DescentRegularizedGradientDescent，DRGD）以及網(wǎng)絡(luò)的加權(quán)進(jìn)化算法（WeightedEvolutionaryAlgorithmforNetworks，WEAN）進(jìn)行對(duì)比試驗(yàn)，并采用ROUGE得分作為評(píng)價(jià)指標(biāo)，全面評(píng)估各算法在自動(dòng)摘要任務(wù)上的性能。同時(shí)，本研究還將探討基于NLP技術(shù)的AI抽取方法在不同數(shù)據(jù)類型中的抽取準(zhǔn)確率變化情況。期望通過本研究，為科技情報(bào)信息收集與處理提供更高效、更準(zhǔn)確的解決方案，推動(dòng)情報(bào)工作的整體效率和質(zhì)量提升。

1基于AI技術(shù)的科技情報(bào)信息收集與處理

1.1AI在科技情報(bào)信息收集與處理中的優(yōu)勢(shì)

在科技情報(bào)收集過程中，信息分散且多樣化，源自新聞報(bào)道、學(xué)術(shù)期刊、專利數(shù)據(jù)庫、企業(yè)報(bào)告等不同渠道，其格式、質(zhì)量和詳細(xì)程度差異顯著，為情報(bào)分析帶來了顯著挑戰(zhàn)。然而，AI技術(shù)在此領(lǐng)域彰顯了其強(qiáng)大潛能。它能自動(dòng)執(zhí)行數(shù)據(jù)清洗與標(biāo)準(zhǔn)化任務(wù)，有效剔除重復(fù)、錯(cuò)誤或無關(guān)數(shù)據(jù)，并統(tǒng)一格式，優(yōu)化后續(xù)分析流程[3]。同時(shí)，借助自然語言處理中的命名實(shí)體識(shí)別技術(shù)，AI識(shí)別并鏈接文本中的關(guān)鍵實(shí)體至知識(shí)圖譜的相應(yīng)節(jié)點(diǎn)，橋接不同信息源。AI還能精準(zhǔn)抽取并構(gòu)建實(shí)體間的復(fù)雜關(guān)系，如合作、競(jìng)爭(zhēng)和技術(shù)關(guān)聯(lián)，甚至通過規(guī)則推理或機(jī)器學(xué)習(xí)揭示隱藏關(guān)系，從而顯著提升情報(bào)的豐富度和深度。在知識(shí)圖譜構(gòu)建與維護(hù)方面，AI可以構(gòu)建一個(gè)包含多個(gè)信息源知識(shí)的知識(shí)圖譜。

1.2基于NLP的知識(shí)圖譜關(guān)系型數(shù)據(jù)抽取與分類

完成RPA參數(shù)設(shè)定后，利用NLP模型對(duì)知識(shí)圖譜關(guān)系型數(shù)據(jù)進(jìn)行分類。關(guān)系型數(shù)據(jù)的分類可以更好地理解和組織知識(shí)圖譜中的關(guān)系，從而支持更精確地查詢和分析。抽取NLP知識(shí)圖譜數(shù)據(jù)的過程主要分為以下幾個(gè)步驟：首先，選擇中層鍵值與外鍵關(guān)系數(shù)據(jù)作為樣本，以獲取實(shí)體之間的關(guān)聯(lián)信息[4]；其次，逐一抽取實(shí)體圖譜數(shù)據(jù)，并從中提取構(gòu)成元素，如字節(jié)、區(qū)間、配置等；最后，通過建立外鍵列-主鍵列的緩存，抽取實(shí)體之間的關(guān)系數(shù)據(jù)。同時(shí)，根據(jù)中層鍵值表中屬性特征、空間特征，時(shí)間特征等實(shí)體數(shù)據(jù)的特征，并檢索匹配的特征。此外，還需抽取字段配置數(shù)據(jù)。為了保證數(shù)據(jù)的完整性和準(zhǔn)確性，需要從實(shí)體關(guān)系中抽取對(duì)應(yīng)的字段。最后，對(duì)抽取的數(shù)據(jù)進(jìn)行驗(yàn)證與整合，確保數(shù)據(jù)符合要求。

知識(shí)圖譜關(guān)系型數(shù)據(jù)AI抽取結(jié)構(gòu)是一個(gè)復(fù)雜而精細(xì)的系統(tǒng)，它涵蓋了多個(gè)關(guān)鍵組件，共同協(xié)作以實(shí)現(xiàn)從多源信息中高效、準(zhǔn)確地抽取和整合知識(shí)[5]。AI抽取是整個(gè)系統(tǒng)的動(dòng)力源泉，負(fù)責(zé)自動(dòng)化地從原始數(shù)據(jù)中識(shí)別和提取關(guān)鍵信息。它利用先進(jìn)的機(jī)器學(xué)習(xí)算法和自然語言處理技術(shù)，能夠處理各種格式和類型的數(shù)據(jù)，無論是結(jié)構(gòu)化，還是非結(jié)構(gòu)化的。實(shí)體數(shù)據(jù)，這是知識(shí)圖譜的基礎(chǔ)構(gòu)建塊。實(shí)體可以是人、地點(diǎn)、組織、事件或其他任何可以被明確識(shí)別和定義的事物。AI抽取系統(tǒng)從文本中識(shí)別出這些實(shí)體，并為每個(gè)實(shí)體創(chuàng)建唯一的標(biāo)識(shí)符。外鍵實(shí)體，這些實(shí)體在知識(shí)圖譜中扮演連接不同數(shù)據(jù)點(diǎn)的橋梁角色。外鍵實(shí)體的存在使得知識(shí)圖譜能夠形成一個(gè)豐富而互聯(lián)的網(wǎng)絡(luò)。字段配置，是定義如何存儲(chǔ)和處理實(shí)體數(shù)據(jù)的關(guān)鍵環(huán)節(jié)。字段配置指定了每個(gè)實(shí)體屬性的數(shù)據(jù)類型、格式和約束條件，確保數(shù)據(jù)的一致性和準(zhǔn)確性。

2模型對(duì)比分析與性能測(cè)試

為了驗(yàn)證自然語言處理（NLP）在科技情報(bào)信息收集與處理優(yōu)化領(lǐng)域的顯著優(yōu)勢(shì)，實(shí)驗(yàn)引入了循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrentneuralnetwork，RNN）系列算法、W型基于上下文的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN-context（W））、C型基于上下文的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN-context（C））、分布式隨機(jī)梯度下降（DistributedRandomGradientDescen，DRGD）以及網(wǎng)絡(luò)加權(quán)進(jìn)化算法（WeightedEvolutionaryAlgorithmforNetworks，WEAN），并將它們與NLP在PennTreebank（PTB）數(shù)據(jù)集上的表現(xiàn)進(jìn)行了全面比較。為確保評(píng)估的客觀性和準(zhǔn)確性，研究采用了ROUGE得分作為評(píng)價(jià)指標(biāo)，這是一種基于召回率（Recall）的自動(dòng)摘要任務(wù)評(píng)估方法，實(shí)驗(yàn)結(jié)果如表1所示

表1展示了不同模型在ROUGE評(píng)價(jià)指標(biāo)下的得分情況，包括R-1、R-2和R-L指標(biāo)。這些模型分別是RNN、RNN-context（W）、RNN-context（C）、DRGD、WEAN和NLP。RNN作為基礎(chǔ)模型，其ROUGE得分相對(duì)較低。DRGD和WEAN算法相對(duì)于RNN算法在ROUGE得分上有較大提升，尤其是在R-1和R-L指標(biāo)上。這表明這兩種算法在自動(dòng)摘要任務(wù)上具有更好的性能，能夠生成更準(zhǔn)確的摘要。NLP模型在所有模型中取得了最高的ROUGE得分。此外，實(shí)驗(yàn)還在結(jié)構(gòu)化數(shù)據(jù)庫數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、三元組數(shù)據(jù)、本體和語義網(wǎng)數(shù)據(jù)中測(cè)試了NPL模型和表現(xiàn)較好的WEAN模型的抽取準(zhǔn)確率變化情況，實(shí)驗(yàn)結(jié)果如圖1所示。

從圖1展示的結(jié)構(gòu)化數(shù)據(jù)庫數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)、三元組數(shù)據(jù)、本體和語義網(wǎng)數(shù)據(jù)4種條件下的知識(shí)圖譜關(guān)系型數(shù)據(jù)抽取效果來看，研究提出的采用NLP技術(shù)的AI抽取方法在各種數(shù)據(jù)類型中都表現(xiàn)出了較高的抽取準(zhǔn)確率。具體而言，在結(jié)構(gòu)化數(shù)據(jù)庫數(shù)據(jù)中，該方法的平均抽取準(zhǔn)確率達(dá)到了95.1%，比WEAN模型高出了10個(gè)百分點(diǎn)。這表明在處理結(jié)構(gòu)化數(shù)據(jù)時(shí)，基于NLP技術(shù)的AI抽取方法能夠更準(zhǔn)確地識(shí)別和提取關(guān)鍵信息。在半結(jié)構(gòu)化數(shù)據(jù)中，雖然抽取準(zhǔn)確率出現(xiàn)了小幅度的波動(dòng)，但平均仍然達(dá)到了93.2%，且相比WEAN模型波動(dòng)更小、準(zhǔn)確率更高。雖然WEAN抽取方法和本文提出的基于NLP技術(shù)的AI抽取方法在準(zhǔn)確性上都存在一定的波動(dòng)，但整體上看，研究所提方法的抽取效果都優(yōu)于傳統(tǒng)方法。

3結(jié)論

AI技術(shù)在科技情報(bào)信息收集與處理優(yōu)化領(lǐng)域具有巨大的潛力和優(yōu)勢(shì)。實(shí)驗(yàn)結(jié)果表明，基于NLP技術(shù)的知識(shí)圖譜關(guān)系型數(shù)據(jù)抽取與分類方法能夠高準(zhǔn)確地提取關(guān)鍵信息和構(gòu)建實(shí)體之間的復(fù)雜關(guān)系，有助于理解和組織知識(shí)圖譜中的關(guān)系，支持精確的查詢和分析。AI抽取結(jié)構(gòu)涵蓋了多個(gè)關(guān)鍵組件，如AI抽取、實(shí)體數(shù)據(jù)、外鍵實(shí)體、字段配置和NLP知識(shí)圖譜庫等，共同協(xié)作以實(shí)現(xiàn)從多源信息中高效、準(zhǔn)確地抽取和整合知識(shí)。因此，AI技術(shù)在科技情報(bào)信息收集與處理中具有重要的應(yīng)用前景，對(duì)于應(yīng)對(duì)復(fù)雜多變的科技環(huán)境和信息時(shí)代的挑戰(zhàn)具有強(qiáng)有力的支持作用。

參考文獻(xiàn)

[1]范俊軍，沐華.我國低資源語言大規(guī)模數(shù)據(jù)建構(gòu)及語言田野實(shí)踐的數(shù)據(jù)轉(zhuǎn)向[J].云南師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2023，55（6）：25-35.

[2]羅錦釗，孫玉龍，錢增志，等.人工智能大模型綜述及展望[J].無線電工程，2023，53（11）：2461-2472.

[3]CHANGA，JESKEL，ULBRICHS，etal.theELIXIRcoredataresourcein2021：newdevelopmentsandupdates[J].NucleicAcidsResearch，2021，49（D1）：D498-D508.

[4]紅彩.人工智能賦能的公安情報(bào)流程研究[D].北京：中國人民公安大學(xué)，2023.

[5]陳婷婷.人工智能融入市域社會(huì)治理問題研究[D].南昌：南昌大學(xué)，2022.