| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第10-14页 |
| 1.1 课题研究背景 | 第10-12页 |
| 1.1.1 选题背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 主要的研究内容 | 第12-13页 |
| 1.3 论文结构 | 第13-14页 |
| 第二章 信息抽取技术综述 | 第14-26页 |
| 2.1 信息抽取技术的发展 | 第14-15页 |
| 2.2 信息抽取任务定义 | 第15页 |
| 2.3 关系抽取的主要方法 | 第15-21页 |
| 2.3.1 人工规则匹配方法 | 第16页 |
| 2.3.2 基于机器学习的方法 | 第16-21页 |
| 2.4 表示学习主要方法 | 第21-24页 |
| 2.4.1 基于人工知识的方法 | 第22页 |
| 2.4.2 基于主题模型的方法 | 第22-23页 |
| 2.4.3 基于神经网络的方法 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 基于弱监督的实体关系抽取 | 第26-34页 |
| 3.1 弱监督学习基本概念 | 第26-27页 |
| 3.2 弱监督学习面临的问题 | 第27-28页 |
| 3.3 弱监督关系抽取任务定义 | 第28页 |
| 3.4 基于模糊分类的多实例多标签学习 | 第28-33页 |
| 3.4.1 学习框架 | 第28-31页 |
| 3.4.2 模型训练 | 第31-33页 |
| 3.4.3 模型预测 | 第33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 基于神经网络的自动特征抽取 | 第34-48页 |
| 4.1 传统特征提取方法 | 第34-36页 |
| 4.1.1 词汇特征 | 第34-35页 |
| 4.1.2 句法特征 | 第35-36页 |
| 4.2 基于神经网络的特征提取 | 第36-46页 |
| 4.2.1 基于word-embedding的特征提取 | 第36-39页 |
| 4.2.2 基于循环神经网络的特征提取 | 第39-46页 |
| 4.3 本章小结 | 第46-48页 |
| 第五章 关系抽取实验平台 | 第48-62页 |
| 5.1 弱监督系统的实现 | 第48-56页 |
| 5.1.1 知识库处理 | 第49页 |
| 5.1.2 实体检索 | 第49-51页 |
| 5.1.3 文本预处理 | 第51-53页 |
| 5.1.4 关系抽取模型学习 | 第53-55页 |
| 5.1.5 输出结果 | 第55-56页 |
| 5.2 实验结果评价方法 | 第56页 |
| 5.3 弱监督学习框架实验结果与分析 | 第56-58页 |
| 5.4 表示学习实验结果与分析 | 第58-60页 |
| 5.5 弱监督学习&句向量 | 第60-61页 |
| 5.6 本章小结 | 第61-62页 |
| 第六章 总结和展望 | 第62-64页 |
| 6.1 工作总结 | 第62页 |
| 6.2 不足与展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间发表的学术论文目录 | 第68页 |