谓词型开放关系抽取技术研究与应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-20页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 关系抽取的研究现状 | 第9-16页 |
| 1.2.1 引言 | 第9-10页 |
| 1.2.2 基于规则的关系抽取 | 第10-11页 |
| 1.2.3 有监督关系抽取 | 第11-12页 |
| 1.2.4 无监督关系抽取 | 第12-13页 |
| 1.2.5 弱监督关系抽取 | 第13-14页 |
| 1.2.6 开放关系抽取 | 第14-15页 |
| 1.2.7 谓词型开放关系抽取 | 第15-16页 |
| 1.3 研究内容及章节安排 | 第16-20页 |
| 1.3.1 本文的研究内容 | 第16-17页 |
| 1.3.2 本文的章节安排 | 第17-20页 |
| 第二章 基础知识 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 词向量的训练 | 第20-24页 |
| 2.2.1 神经概率语言模型 | 第20-22页 |
| 2.2.2 开源工具Word2 Vec | 第22-24页 |
| 2.3 卷积神经网络 | 第24-30页 |
| 2.3.1 SENNA系统 | 第24-26页 |
| 2.3.2 DCNN系统 | 第26-30页 |
| 第三章 基于卷积神经网络的谓词型关系识别 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 动态池化卷积神经网络 | 第30-35页 |
| 3.2.1 模型架构介绍 | 第30-32页 |
| 3.2.2 特征下标映射到向量层 | 第32页 |
| 3.2.3 帧卷积层 | 第32-33页 |
| 3.2.4 非线性层 | 第33页 |
| 3.2.5 动态K最大池化层 | 第33-34页 |
| 3.2.6 多特征图 | 第34页 |
| 3.2.7 全连接层和输出层 | 第34-35页 |
| 3.3 实验与分析 | 第35-42页 |
| 3.3.1 语料构造 | 第35-36页 |
| 3.3.2 评价标准 | 第36-37页 |
| 3.3.3 对比实验一 | 第37-40页 |
| 3.3.4 对比实验二 | 第40-42页 |
| 3.4 利用无监督语料增进识别性能 | 第42-43页 |
| 3.5 本章小结 | 第43-46页 |
| 第四章 基于规则的关系抽取 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 词性序列规则集的构造 | 第46-51页 |
| 4.2.1 规则构造方法 | 第46-48页 |
| 4.2.2 规则验证及改进 | 第48-50页 |
| 4.2.3 关系信息补全 | 第50-51页 |
| 4.3 实验与分析 | 第51-53页 |
| 4.3.1 语料构造 | 第51页 |
| 4.3.2 评价标准 | 第51-52页 |
| 4.3.3 实验结果和分析 | 第52-53页 |
| 4.4 关系识别和关系抽取级联 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 汉语谓词型开放实体关系抽取平台设计与实现 | 第56-62页 |
| 5.1 引言 | 第56页 |
| 5.2 谓词型开放关系抽取系统 | 第56-57页 |
| 5.3 过程数据库 | 第57-62页 |
| 第六章 结论和展望 | 第62-66页 |
| 6.1 本文工作结论 | 第62-63页 |
| 6.2 未来工作展望 | 第63-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |
