基于卷积神经网络的关系抽取研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-17页 |
| 1.1 关系抽取研究背景 | 第13-14页 |
| 1.2 研究目的和本文主要工作 | 第14-15页 |
| 1.3 论文组织结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 国内外研究现状 | 第17-28页 |
| 2.1 关系抽取任务 | 第17-19页 |
| 2.2 基于句法解析和模板的方法 | 第19-22页 |
| 2.2.1 基于词法分析的实体检测 | 第19-21页 |
| 2.2.2 利用句法解析进行模板匹配 | 第21-22页 |
| 2.3 基于特征工程的方法 | 第22-24页 |
| 2.3.1 面向关系抽取的特征设计 | 第22-24页 |
| 2.3.2 分类器构造 | 第24页 |
| 2.4 基于深度学习的表述学习方法 | 第24-27页 |
| 2.4.1 基于文本分类的方法 | 第24-25页 |
| 2.4.2 基于局部特征的方法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3 基于数据先验的关系抽取方法 | 第28-58页 |
| 3.1 算法简介 | 第29-30页 |
| 3.2 数据生成 | 第30-38页 |
| 3.2.1 远程监督 | 第30-36页 |
| 3.2.2 样本过滤 | 第36-37页 |
| 3.2.3 数据来源小结 | 第37-38页 |
| 3.3 基于卷积神经网络的特征提取 | 第38-42页 |
| 3.3.1 网络结构 | 第38-39页 |
| 3.3.2 句向量化 | 第39-40页 |
| 3.3.3 多粒度特征提取 | 第40-42页 |
| 3.3.4 后验概率获取 | 第42页 |
| 3.4 数据先验网络 | 第42-50页 |
| 3.4.1 数据先验知识 | 第43-44页 |
| 3.4.2 后验概率正则化 | 第44-47页 |
| 3.4.3 标记数据先验 | 第47-48页 |
| 3.4.4 修正数据先验 | 第48-50页 |
| 3.4.5 先验网络小结 | 第50页 |
| 3.5 多网络融合 | 第50-56页 |
| 3.5.1 多实例学习简介 | 第50-53页 |
| 3.5.2 多实例学习在噪声数据中应用 | 第53-54页 |
| 3.5.3 多实例学习在神经网络中的应用 | 第54-55页 |
| 3.5.4 利用多实例学习进行多网络融合 | 第55-56页 |
| 3.6 本章小结 | 第56-58页 |
| 第4章 实验设计与结果分析 | 第58-70页 |
| 4.1 实验数据 | 第58-62页 |
| 4.1.1 数据集介绍 | 第58-61页 |
| 4.1.2 数据预处理 | 第61-62页 |
| 4.2 模型设定和评价指标 | 第62-63页 |
| 4.3 对比实验及分析 | 第63-69页 |
| 4.3.1 对比模型简介 | 第63-65页 |
| 4.3.2 实验结果对比分析 | 第65-66页 |
| 4.3.3 参数对比实验 | 第66-68页 |
| 4.3.4 时间和效率分析 | 第68页 |
| 4.3.5 关系抽取错误分析 | 第68-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第5章 关系抽取系统应用 | 第70-79页 |
| 5.1 关系抽取在知识库中的应用 | 第70-72页 |
| 5.1.1 从非结构化数据构建知识库 | 第70-71页 |
| 5.1.2 利用关系抽取扩充知识库 | 第71-72页 |
| 5.2 中国工程科技知识中心建设项目中的应用 | 第72-74页 |
| 5.2.1 医疗领域的属性填充任务 | 第72-73页 |
| 5.2.2 以网络服务形式的应用 | 第73-74页 |
| 5.3 关系抽取在多轮对话中的应用 | 第74-77页 |
| 5.3.1 任务和状态分析 | 第74-75页 |
| 5.3.2 对话系统设计 | 第75-77页 |
| 5.3.3 任务效果 | 第77页 |
| 5.4 本章小结 | 第77-79页 |
| 第6章 总结与展望 | 第79-81页 |
| 6.1 全文总结 | 第79-80页 |
| 6.2 未来研究方向 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 攻读硕士学位期间主要的研究成果 | 第87-88页 |
| 致谢 | 第88页 |
