基于ChatGPT 的課程知識(shí)圖譜構(gòu)建與可視化研究

摘要：課程知識(shí)圖譜將課程中的知識(shí)點(diǎn)、概念、理論等以圖譜形式組織和展示，有助于促進(jìn)個(gè)性化教學(xué)、推動(dòng)課程教學(xué)的創(chuàng)新發(fā)展。針對(duì)現(xiàn)有課程知識(shí)圖譜構(gòu)建過(guò)于依賴數(shù)據(jù)標(biāo)注和專家知識(shí)的問(wèn)題，文章提出了一種基于 ChatGPT 的課程知識(shí)圖譜自動(dòng)構(gòu)建與可視化方法。首先，通過(guò)課程資料的收集和預(yù)處理，歸納總結(jié)課程核心概念，構(gòu)建課程本體模型。然后采用 ChatGPT 實(shí)現(xiàn)課程知識(shí)點(diǎn)實(shí)體、屬性和關(guān)系抽取，通過(guò)設(shè)計(jì)多輪問(wèn)答提示模板，提升課程知識(shí)信息抽取的可靠性。最后，采用 Neo4j 圖數(shù)據(jù)庫(kù)實(shí)現(xiàn)課程知識(shí)圖譜的存儲(chǔ)和管理，提供用戶友好的界面與交互方式，直觀地探索與理解課程知識(shí)。實(shí)驗(yàn)結(jié)果顯示，ChatGPT 在進(jìn)行課程知識(shí)抽取任務(wù)上具有一定的可靠性和優(yōu)越性，基于 ChatGPT 的課程知識(shí)圖譜構(gòu)建方法為大語(yǔ)言模型在教育領(lǐng)域的應(yīng)用提供了新的思路，具有應(yīng)用前景和推廣價(jià)值。

關(guān)鍵詞：課程知識(shí)圖譜；信息抽?。籆hatGPT；Neo4j

中圖分類號(hào)：G424 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）31-0148-04

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

課程知識(shí)圖譜是以課程為核心的系統(tǒng)化、結(jié)構(gòu)化知識(shí)網(wǎng)絡(luò)。它通過(guò)描述課程相關(guān)的實(shí)體、概念、理論及其之間的復(fù)雜關(guān)系，揭示課程知識(shí)的內(nèi)在聯(lián)系與規(guī)律[1]。在課程教學(xué)實(shí)踐中，課程知識(shí)圖譜有助于教師更好地組織教學(xué)內(nèi)容和設(shè)計(jì)教學(xué)方案；這也幫助學(xué)生更好地理解和掌握課程知識(shí)，形成完整的知識(shí)體系，從而促進(jìn)教學(xué)效果的提升。

隨著 ChatGPT[2]的發(fā)布，生成式預(yù)訓(xùn)練語(yǔ)言模型迅速推動(dòng)了自然語(yǔ)言處理技術(shù)的進(jìn)步，在金融、醫(yī)療、教育等多個(gè)領(lǐng)域產(chǎn)生了深遠(yuǎn)的影響。已有研究表明，ChatGPT 在中文命名實(shí)體識(shí)別、關(guān)系抽取、事件抽取等信息抽取任務(wù)中取得了良好的效果[3-4]，這也為知識(shí)圖譜技術(shù)的創(chuàng)新發(fā)展帶來(lái)了新的機(jī)遇，為智能化知識(shí)圖譜構(gòu)建、語(yǔ)義理解及可視化提供了新的可能。

數(shù)據(jù)結(jié)構(gòu)課程是電子信息類專業(yè)的重要核心課程，其教學(xué)是培養(yǎng)學(xué)生扎實(shí)專業(yè)理論基礎(chǔ)的關(guān)鍵環(huán)節(jié)。因此，結(jié)合 ChatGPT 和 Neo4j 圖數(shù)據(jù)庫(kù)技術(shù)，形成數(shù)據(jù)結(jié)構(gòu)課程知識(shí)圖譜自動(dòng)構(gòu)建和可視化的方法，對(duì)于電子信息類本科人才培養(yǎng)具有重要作用。

1 數(shù)據(jù)結(jié)構(gòu)課程知識(shí)圖譜構(gòu)建策略

構(gòu)建課程知識(shí)圖譜的重點(diǎn)在于快速、準(zhǔn)確地抽取課程中的知識(shí)點(diǎn)實(shí)體、關(guān)系以及屬性。本文首先構(gòu)建數(shù)據(jù)結(jié)構(gòu)課程的本體模型，定義課程概念體系；然后采用基于多輪對(duì)話的 ChatGPT 信息抽取方式，實(shí)現(xiàn)課程實(shí)體、關(guān)系以及屬性的抽取。最后，使用 Neo4j 數(shù)據(jù)庫(kù)進(jìn)行知識(shí)圖譜的可視化展示。具體流程如圖1所示。

1.1 數(shù)據(jù)結(jié)構(gòu)課程本體模型構(gòu)建

本體模型[5]是一種領(lǐng)域知識(shí)的形式化表示方法，用于描述領(lǐng)域中類、概念、實(shí)體及其相互關(guān)系的語(yǔ)義關(guān)系。根據(jù)數(shù)據(jù)結(jié)構(gòu)課程教學(xué)基本要求、權(quán)威教材以及課程相關(guān)教學(xué)名師的意見(jiàn)，歸納總結(jié)課程的核心概念，提煉知識(shí)實(shí)體、屬性及關(guān)系，構(gòu)建課程的本體模型。具體內(nèi)容包括：

1） 課程核心概念體系。課程核心概念體系的提煉涉及課程核心實(shí)體。通過(guò)收集課程相關(guān)數(shù)據(jù)資料，包括教案、教材、習(xí)題及各類網(wǎng)絡(luò)資源，對(duì)數(shù)據(jù)源進(jìn)行分類匯總，將數(shù)據(jù)結(jié)構(gòu)課程的核心實(shí)體分為章節(jié)實(shí)體、概念實(shí)體和法則實(shí)體三類。其中，章節(jié)實(shí)體表示課程內(nèi)容的組織結(jié)構(gòu)，例如課程中的各個(gè)章節(jié)、主題等。概念實(shí)體表示課程中涉及的各種概念，比如隊(duì)列、樹(shù)、圖等。法則實(shí)體表示數(shù)據(jù)結(jié)構(gòu)課程中的各種規(guī)則、定理和操作等。圖2展示了課程中《圖》這一章節(jié)的概念體系。

2） 實(shí)體屬性定義。根據(jù)課程核心概念，總結(jié)課程實(shí)體的相關(guān)屬性定義。其中，線性表實(shí)體的屬性包括元素集合、元素類型、元素?cái)?shù)量、有序性、增刪改查操作等。棧實(shí)體的屬性包括容量、棧頂指針、棧操作等。樹(shù)實(shí)體的屬性包括根節(jié)點(diǎn)、父節(jié)點(diǎn)、子節(jié)點(diǎn)、深度、類型等。圖實(shí)體的屬性包括頂點(diǎn)集合、邊集合、方向性、權(quán)重、度數(shù)、連通性等。算法實(shí)體的屬性包括穩(wěn)定性、時(shí)間復(fù)雜度、空間復(fù)雜度等。

3） 實(shí)體關(guān)系定義?；谡n程內(nèi)容和知識(shí)結(jié)構(gòu)，建立實(shí)體之間的關(guān)系，包括包含關(guān)系、屬于關(guān)系、基本概念關(guān)系、存儲(chǔ)方式關(guān)系和應(yīng)用關(guān)系等。其中基本概念關(guān)系描述某個(gè)概念實(shí)體是否為另一個(gè)實(shí)體的基本概念。

存儲(chǔ)方式關(guān)系描述一個(gè)實(shí)體在計(jì)算機(jī)中的存儲(chǔ)方式。同義關(guān)系描述具有相同含義的概念實(shí)體之間的關(guān)系。依賴關(guān)系表示某個(gè)實(shí)體依賴于其他實(shí)體。應(yīng)用關(guān)系描述概念實(shí)體對(duì)應(yīng)的實(shí)際應(yīng)用。部分?jǐn)?shù)據(jù)結(jié)構(gòu)課程的實(shí)體關(guān)系建模如表1所示。

1.2 基于 ChatGPT 的知識(shí)圖譜構(gòu)造

基于 ChatGPT 的課程知識(shí)圖譜構(gòu)建的具體過(guò)程包括：數(shù)據(jù)采集與預(yù)處理、實(shí)體抽取、實(shí)體屬性抽取、實(shí)體關(guān)系抽取，以及基于 Neo4j 的知識(shí)圖譜構(gòu)建與可視化。

本研究采用的課程資料來(lái)自多個(gè)渠道。其中，數(shù)據(jù)結(jié)構(gòu)課程教案中的知識(shí)點(diǎn)被選作重要參考，教案由資深任課教師編寫(xiě)，內(nèi)容涵蓋數(shù)據(jù)結(jié)構(gòu)的基礎(chǔ)知識(shí)和相關(guān)應(yīng)用，具有一定的權(quán)威性和可信度。百度百科和維基百科提供了豐富的網(wǎng)絡(luò)知識(shí)庫(kù)資源，包括對(duì)數(shù)據(jù)結(jié)構(gòu)相關(guān)概念、算法和應(yīng)用的介紹。百度電子文檔則是從百度文庫(kù)等平臺(tái)獲取的，其中包含了多篇學(xué)術(shù)論文和兩本數(shù)據(jù)結(jié)構(gòu)專業(yè)教材，包括嚴(yán)蔚敏的《數(shù)據(jù)結(jié)構(gòu)（C語(yǔ)言版）》和李春葆的《數(shù)據(jù)結(jié)構(gòu)》（C語(yǔ)言篇）習(xí)題與解析，以及多篇數(shù)據(jù)結(jié)構(gòu)電子文檔。

1.2.1 基于 ChatGPT 的課程知識(shí)點(diǎn)實(shí)體抽取

使用 ChatGPT 進(jìn)行信息抽取時(shí)，需要用到固定的模板。使用不同的模板，抽取效果可能有所不同。多輪問(wèn)答模板有助于提升信息抽取的準(zhǔn)確性和完整性，通過(guò)多輪次的交互問(wèn)答，ChatGPT 能夠更深入地理解用戶的查詢意圖，并根據(jù)用戶的需求逐步細(xì)化和擴(kuò)展抽取的信息范圍。本文設(shè)計(jì)了如下幾種不同效果的多輪問(wèn)答模板：

模板1：“‘?dāng)?shù)據(jù)……’請(qǐng)?zhí)崛〕錾鲜鑫谋局械膶?shí)體以便構(gòu)建知識(shí)圖譜?！?/p>

模板2：“‘?dāng)?shù)據(jù)……’請(qǐng)根據(jù)上述文本，抽取出文本涉及的各類實(shí)體，包括章節(jié)實(shí)體、概念實(shí)體、法則實(shí)體?！?/p>

模板3：

Q1：“‘?dāng)?shù)據(jù)……’請(qǐng)根據(jù)上述文本回答下列問(wèn)題。請(qǐng)抽取出文本中的各個(gè)實(shí)體，實(shí)體的類型至少包括：章節(jié)實(shí)體、概念實(shí)體、法則實(shí)體等。”

Q2：“請(qǐng)將文本抽取出來(lái)的實(shí)體以二元組格式輸出，多個(gè)實(shí)體用列表存儲(chǔ)?！?/p>

采用多輪問(wèn)答模板進(jìn)行實(shí)體抽取的測(cè)試樣例如表2所示。

1.2.2 基于 ChatGPT 的課程知識(shí)點(diǎn)實(shí)體屬性抽取

用于實(shí)體屬性抽取的多輪提示模板如下：

模板1：“‘?dāng)?shù)據(jù)……’請(qǐng)?zhí)崛〕錾鲜鑫谋局袌D結(jié)構(gòu)的屬性，以便構(gòu)建知識(shí)圖譜?！?/p>

模板2：“‘?dāng)?shù)據(jù)……’請(qǐng)根據(jù)上述文本，抽取出文本中涉及的圖結(jié)構(gòu)屬性，其中包括但不限于：頂點(diǎn)集合、邊集合、方向性、權(quán)重、圖的表示方法、算法與應(yīng)用等?！?/p>

模板3：

Q1：“‘?dāng)?shù)據(jù)……’請(qǐng)根據(jù)上述文本回答下列問(wèn)題。請(qǐng)抽取出文本中關(guān)于圖結(jié)構(gòu)的屬性，屬性的類型至少包括：頂點(diǎn)集合、邊集合、方向性、權(quán)重、圖的表示方法、算法與應(yīng)用等?！?/p>

Q2：“請(qǐng)將從文本中抽取的屬性以二元組格式輸出，多個(gè)屬性用列表存儲(chǔ)?！?/p>

采用多輪問(wèn)答模板進(jìn)行實(shí)體屬性抽取的測(cè)試樣例如表3所示。

1.2.3 基于 ChatGPT 的課程知識(shí)點(diǎn)關(guān)系抽取

用于實(shí)體關(guān)系抽取的多輪提示模板如下：

模板1：“‘?dāng)?shù)據(jù)……’請(qǐng)?zhí)崛〕錾鲜鑫谋局袑?shí)體之間的關(guān)系，以便構(gòu)建知識(shí)圖譜?！?/p>

模板2：“‘?dāng)?shù)據(jù)……’請(qǐng)根據(jù)上述文本，抽取出文本中涉及的實(shí)體之間的關(guān)系，其中包括但不限于：包含關(guān)系、屬于關(guān)系、基本概念關(guān)系、存儲(chǔ)方式關(guān)系、應(yīng)用關(guān)系、依賴關(guān)系、同義關(guān)系、關(guān)聯(lián)關(guān)系等?！?/p>

模板3：

Q1：“‘?dāng)?shù)據(jù)……’請(qǐng)根據(jù)上述文本回答下列問(wèn)題。請(qǐng)抽取出文本中各個(gè)實(shí)體之間的關(guān)系，關(guān)系的類型至少包括：包含關(guān)系、屬于關(guān)系、基本概念關(guān)系、存儲(chǔ)方式關(guān)系、應(yīng)用關(guān)系、依賴關(guān)系、同義關(guān)系、關(guān)聯(lián)關(guān)系等。”

Q2：“請(qǐng)將從文本中抽取的關(guān)系以三元組列表格式輸出，多組關(guān)系用集合存儲(chǔ)?！?/p>

采用多輪問(wèn)答模板進(jìn)行實(shí)體關(guān)系抽取的測(cè)試樣例如表4所示。

2 數(shù)據(jù)結(jié)構(gòu)課程知識(shí)圖譜構(gòu)建實(shí)驗(yàn)

本文將 ChatGPT 進(jìn)行實(shí)體、屬性及關(guān)系抽取的結(jié)果與當(dāng)前抽取效果較好的信息抽取模型進(jìn)行比較，以分析信息抽取的效果。

2.1 評(píng)價(jià)標(biāo)準(zhǔn)

在知識(shí)抽取任務(wù)中，準(zhǔn)確率（Precision） 、召回率（Recall） 和F1分?jǐn)?shù)是常用的評(píng)價(jià)標(biāo)準(zhǔn)，它們用于衡量模型在提取文本信息方面的性能表現(xiàn)。

準(zhǔn)確率（Precision） ：衡量模型預(yù)測(cè)為正確的樣本數(shù)量與所有預(yù)測(cè)為正樣本的樣本數(shù)量之比。公式如下：

Precision = TP／TP + FP （1）

召回率（Recall） ：衡量模型成功找到的正樣本數(shù)量與真實(shí)正樣本數(shù)量之比。公式如下：

Recall = TP／TP + FN （2）

F1分?jǐn)?shù)：是準(zhǔn)確率和召回率的調(diào)和平均，考慮到兩者之間的平衡關(guān)系。F1分?jǐn)?shù)的高低反映了模型在準(zhǔn)確率和召回率之間的平衡情況，是綜合評(píng)價(jià)模型性能的重要指標(biāo)之一。公式如下：

F1 = 2 × precision × Recall／Precision + Recall （3）

2.2 課程實(shí)體抽取結(jié)果

針對(duì)數(shù)據(jù)結(jié)構(gòu)課程知識(shí)點(diǎn)的實(shí)體抽取問(wèn)題，筆者通過(guò)使用標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，比較了 ChatGPT 與各類基線模型的抽取效果。實(shí)驗(yàn)中使用的基線模型主要包括：Bi-LSTM [6] 模型、Bi-LSTM-CRF [7] 模型、BERT- CRF [8] 模型以及隱馬爾可夫模型（HMM） [9]。這些模型被廣泛用于命名實(shí)體識(shí)別和其他序列標(biāo)注任務(wù)。除了傳統(tǒng)的深度學(xué)習(xí)模型之外，阿里通義千問(wèn)作為類 ChatGPT 大語(yǔ)言模型，在多項(xiàng)任務(wù)中表現(xiàn)出色，顯示出廣泛的應(yīng)用潛力。

使用基線模型和 ChatGPT 作為工具進(jìn)行實(shí)體抽取的結(jié)果如表5所示。實(shí)驗(yàn)結(jié)果表明，ChatGPT 在實(shí)體抽取任務(wù)中表現(xiàn)卓越，準(zhǔn)確地捕捉到了數(shù)據(jù)結(jié)構(gòu)課程的關(guān)鍵知識(shí)點(diǎn)。

根據(jù)實(shí)體抽取的實(shí)驗(yàn)數(shù)據(jù)可以看出，在準(zhǔn)確率、召回率和 F1 分?jǐn)?shù)方面，ChatGPT 均表現(xiàn)出色，分別達(dá)到了 80.76%、77.77% 和 79.24%。相比之下，其他模型如 BERT-CRF、Bi-LSTM、Bi-LSTM-CRF 等在各項(xiàng)指標(biāo)上的表現(xiàn)略遜一籌，而 HMM 模型在準(zhǔn)確率上表現(xiàn)優(yōu)異，但召回率和 F1 分?jǐn)?shù)相對(duì)較低。阿里通義千問(wèn)模型在準(zhǔn)確率上表現(xiàn)不錯(cuò)，但召回率和 F1 分?jǐn)?shù)與 ChatGPT 相比略顯不足。ChatGPT 在抽取數(shù)據(jù)結(jié)構(gòu)課程知識(shí)點(diǎn)實(shí)體任務(wù)中的優(yōu)越性能，為數(shù)據(jù)結(jié)構(gòu)課程知識(shí)圖譜的構(gòu)建提供了可靠的支持和保障。

2.3 課程實(shí)體關(guān)系抽取結(jié)果

在關(guān)系抽取實(shí)驗(yàn)中使用的基線模型包括：CASRE 模型[10]、GPLinker 模型[11]，以及阿里通義千問(wèn)大語(yǔ)言模型。使用基線模型和 ChatGPT 進(jìn)行課程知識(shí)關(guān)系抽取的結(jié)果如表6所示。

根據(jù)關(guān)系抽取的實(shí)驗(yàn)結(jié)果，ChatGPT 模型在準(zhǔn)確率、召回率和 F1 分?jǐn)?shù)上均表現(xiàn)出較好的結(jié)果。然而，相對(duì)于 CASREL 和 GPLinker 模型，其在準(zhǔn)確率上的提升空間依然存在，這主要是由于課程知識(shí)點(diǎn)之間的復(fù)雜關(guān)系所導(dǎo)致的。ChatGPT 模型具有高召回率和 F1 分?jǐn)?shù)，這意味著它能夠更全面地識(shí)別實(shí)體之間的各種關(guān)系，對(duì)于構(gòu)建準(zhǔn)確且全面的知識(shí)圖譜至關(guān)重要。

2.4 屬性抽取結(jié)果展示

采用阿里通義千問(wèn)大語(yǔ)言模型進(jìn)行實(shí)體屬性抽取，并與 ChatGPT 的抽取效果進(jìn)行了比較。使用基準(zhǔn)模型和 ChatGPT 進(jìn)行知識(shí)點(diǎn)屬性抽取的對(duì)比結(jié)果如表7所示。

3 數(shù)據(jù)結(jié)構(gòu)課程知識(shí)圖譜可視化

在使用 ChatGPT 完成知識(shí)點(diǎn)實(shí)體、屬性和關(guān)系抽取后，需要對(duì)抽取到的課程知識(shí)進(jìn)行可視化，以形成課程知識(shí)圖譜。本文采用 Neo4j 數(shù)據(jù)庫(kù)進(jìn)行可視化呈現(xiàn)。Neo4j 是一種基于圖形理論的高性能圖數(shù)據(jù)庫(kù)，它以節(jié)點(diǎn)和關(guān)系的形式組織和存儲(chǔ)數(shù)據(jù)，其中節(jié)點(diǎn)表示實(shí)體，關(guān)系表示實(shí)體之間的連接。

Neo4j 采用了針對(duì)圖形數(shù)據(jù)庫(kù)的優(yōu)化存儲(chǔ)和查詢算法，使其能夠高效處理復(fù)雜的圖形結(jié)構(gòu)。通過(guò) Cy? pher 查詢語(yǔ)言，用戶可以輕松執(zhí)行各種圖形查詢操作，如查找節(jié)點(diǎn)、查找與節(jié)點(diǎn)相關(guān)聯(lián)的其他節(jié)點(diǎn)、查詢節(jié)點(diǎn)屬性等。

圖3展示了構(gòu)建的部分知識(shí)圖譜的可視化界面。在該界面中，用戶可以查看各章節(jié)知識(shí)圖譜的全貌，并通過(guò)點(diǎn)擊個(gè)別實(shí)體節(jié)點(diǎn)來(lái)查看其特有的重要屬性。用戶還可以查詢具體的實(shí)體、關(guān)系以及實(shí)體屬性，使得課程知識(shí)圖譜的瀏覽直觀且便捷。圖4則展示了單個(gè)知識(shí)點(diǎn)的可視化結(jié)果。

與傳統(tǒng)的知識(shí)圖譜構(gòu)建方法相比，基于 ChatGPT 的課程知識(shí)圖譜自動(dòng)構(gòu)建方法具備顯著優(yōu)勢(shì)，因?yàn)樗恍枰?xùn)練數(shù)據(jù)標(biāo)注，也無(wú)須利用深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，從而節(jié)省了大量的時(shí)間和資源。這一方法為大語(yǔ)言模型在智慧教育領(lǐng)域的應(yīng)用提供了新的思路。

然而，利用 ChatGPT 進(jìn)行知識(shí)圖譜自動(dòng)構(gòu)建仍然存在一定的局限性。由于不同課程知識(shí)點(diǎn)之間存在復(fù)雜的關(guān)聯(lián)關(guān)系，純粹依賴大語(yǔ)言模型實(shí)現(xiàn)零樣本知識(shí)抽取的可靠性還有待進(jìn)一步提高。此外，知識(shí)問(wèn)答的模板也需要進(jìn)一步提煉和完善。

未來(lái)的研究方向之一是深入挖掘 ChatGPT 模型在課程知識(shí)圖譜構(gòu)建中的潛力，探索更加有效的知識(shí)表示和關(guān)聯(lián)方法，以提高知識(shí)圖譜的質(zhì)量和準(zhǔn)確性。此外，可以進(jìn)一步優(yōu)化可視化工具，以提升用戶體驗(yàn)，并探索更多交互式功能，以滿足不同用戶群體的需求。

基于 ChatGPT 的課程知識(shí)圖譜構(gòu)建與可視化是一個(gè)復(fù)雜且富有挑戰(zhàn)性的課題。期待未來(lái)能夠在這一領(lǐng)域取得更多突破與進(jìn)步，為教育智能化發(fā)展做出更大的貢獻(xiàn)。

參考文獻(xiàn)：

[1] 施江勇，唐晉韜，王勇軍，等.基于知識(shí)圖譜的新興領(lǐng)域課程教學(xué)資源建設(shè)[J].高等工程教育研究，2022（3）：15-20.

[2] OPENAI. ChatGPT：Optimizing Language Models for Dialogue [EB/OL].（2022-11-30）[2023-05-24]. https：//openai.com/blog/chatgpt.

[3] 鮑彤，章成志.ChatGPT中文信息抽取能力測(cè)評(píng)：以三種典型的抽取任務(wù)為例[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2023，7（9）：1-11.

[4] WEI X，CUI X Y，CHENG N，et al.Zero-shot information extrac?tion via chatting with ChatGPT[EB/OL].[2023-05-24].https：//arxiv.org/abs/2302.02005.

[5] 李愛(ài)華，徐以則，遲鈺雪.本體構(gòu)建及應(yīng)用綜述[J].情報(bào)理論與實(shí)踐，2023，46（11）：189-195.

[6] 陳德鑫，占袁圓，楊兵，等.基于CNN-BiLSTM模型的在線醫(yī)療實(shí)體抽取研究[J].圖書(shū)情報(bào)工作，2019，63（12）：105-113.

[7] 翟社平，段宏宇，李兆兆.基于BILSTMCRF的知識(shí)圖譜實(shí)體抽取方法[J].計(jì)算機(jī)應(yīng)用與軟件，2019，36（5）：269-274，280.

[8] 田梓函，李欣.基于BERT-CRF模型的中文事件檢測(cè)方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（11）：135-139.

[9] 沈同平，金力，黃方亮，等.隱馬爾可夫模型的優(yōu)化及其用于多文本實(shí)體識(shí)別[J].安慶師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，28（2）：31-35.

[10] WEI Z P，SU J L，WANG Y，et al.A novel cascade binary tag?ging framework for relational triple extraction[C]//Proceedings of the 58th Annual Meeting of the Association for Computa?tional Linguistics.Online.Stroudsburg，PA，USA：Association for Computational Linguistics，2020：1476-1488.

[11] WANG J H，YANG J.A three-stage pipeline for conditional en?tity and relation extraction[C]//2023 International Joint Con?ference on Neural Networks （IJCNN）.June 18-23，2023，Gold Coast，Australia.IEEE，2023：1-8.

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：湖南省普通高等學(xué)校教學(xué)改革研究項(xiàng)目（HNJG-2021-0404，HNJG-2023-0795） ；湖南工商大學(xué)教學(xué)改革研究項(xiàng)目（2023026）