DenseCNN-ATT:实体关系抽取的密集连接卷积神经网络

在远程监督(Distant Supervision,DS)实体关系抽取任务中,采用远程监督的方式虽然可以产生大量的标注数据,但是这种方法产生的数据集充满大量的噪声数据,从而会降低关系抽取的性能.为此,我们针对现有深度学习使用浅层和单一深层神经网络模型提取特征的局限,设计了一个融合注意力机制的密集连接卷积神经网络模型——DenseCNN-ATT,该模型采用五层卷积深度的CNN,构成密集连接卷积模块作为句子编码器,通过增加特征通道数量来提高特征传递,减少了特征梯度的消失现象;此外,为进一步减少噪声影响,论文将网络的最大池化结果融合注意力机制,通过强调句子权重,来提升关系抽取性能.该模型在NYT数据集上的平均准确率达到了83.2％,相比于目前效果较好的浅层网络PCNN+ATT和深层网络ResCNN-9提升了9％～11％.实验证明,该模型能够充分利用有效的实例关系,在综合性能上明显优于目前效果较好的主流模型.     

声表面波器件用SiO2/ZnO/金刚石/Si多层结构制备

为获得高频、高性能金刚石声表面波器件的多层结构,在金刚石/Si衬底使用磁控溅射方法优化ZnO与SiO₂薄膜沉积工艺参数,制备了具有正负温度系数组合的SiO₂/ZnO/金刚石/Si多层结构,并对多层结构进行表征。结果表明:随着氩氧比增加,ZnO薄膜的沉积速率不断加快,薄膜的表面粗糙度不断增大;ZnO薄膜中的原子摩尔分数比随O₂输入量的减少而逐渐接近理想的1∶1。不同氩氧比下制备的ZnO薄膜均呈(002) 面择优取向生长,其中在氩氧比7∶1时,获得了具有细小柱状晶特征、C轴择优取向程度较高的ZnO薄膜。采用最优的ZnO和SiO₂薄膜沉积工艺,在金刚石/Si衬底获得了具有清晰界面的SiO₂/ZnO/金刚石/Si多层结构。