| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题研究背景 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本课题研宄内容及意义 | 第13-14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 实体识别和关系抽取问题中的相关技术和基线系统 | 第16-32页 |
| 2.1 传统机器学习模型 | 第16-20页 |
| 2.1.1 支持向量机模型 | 第16-17页 |
| 2.1.2 马尔可夫模型 | 第17-18页 |
| 2.1.3 条件随机场模型 | 第18-20页 |
| 2.1.4 最大熵模型 | 第20页 |
| 2.2 深度学习模型 | 第20-27页 |
| 2.2.1 循环神经网络 | 第21-25页 |
| 2.2.2 注意力机制 | 第25-27页 |
| 2.3 词嵌入模型 | 第27-28页 |
| 2.4 基线系统 | 第28-31页 |
| 2.4.1 流水线模型 | 第29页 |
| 2.4.2 联合抽取模型 | 第29页 |
| 2.4.3 模型实验对比 | 第29-30页 |
| 2.4.4 模型存在问题的讨论 | 第30-31页 |
| 2.5 小结 | 第31-32页 |
| 第三章 基于参数共享的实体和关系抽取的联合模型 | 第32-43页 |
| 3.1 引言 | 第32页 |
| 3.2 基于参数共享的实体识别和关系抽取的联合模型 | 第32-38页 |
| 3.2.1 词嵌入层 | 第33-34页 |
| 3.2.2 双向长短期记忆网络编码层 | 第34页 |
| 3.2.3 命名实体识别模块 | 第34-36页 |
| 3.2.4 关系抽取模块 | 第36-38页 |
| 3.3 实验与结果分析 | 第38-42页 |
| 3.3.1 实验数据集 | 第38页 |
| 3.3.2 评价指标 | 第38-39页 |
| 3.3.3 参数设置 | 第39页 |
| 3.3.4 实验结果与分析 | 第39-40页 |
| 3.3.5 模型消解实验结果与分析 | 第40页 |
| 3.3.6 模型预测结果分析 | 第40-41页 |
| 3.3.7 模型样本结果分析 | 第41-42页 |
| 3.4 小结 | 第42-43页 |
| 第四章 融合自注意力机制的实体和关系抽取联合模型 | 第43-58页 |
| 4.1 引言 | 第43-44页 |
| 4.2 联合模型中的序列标注策略 | 第44-45页 |
| 4.3 融合自注意力机制的实体识别和关系抽取的联合模型 | 第45-51页 |
| 4.3.1 词嵌入层 | 第46-47页 |
| 4.3.2 编码层 | 第47-50页 |
| 4.3.3 解码层 | 第50-51页 |
| 4.4 实验与结果分析 | 第51-56页 |
| 4.4.1 实验数据集 | 第51页 |
| 4.4.2 评价指标 | 第51页 |
| 4.4.3 参数设置 | 第51-52页 |
| 4.4.4 模型结果与分析 | 第52-53页 |
| 4.4.5 模型消解实验结果与分析 | 第53页 |
| 4.4.6 模型预测结果分析 | 第53-54页 |
| 4.4.7 模型样本结果分析 | 第54-56页 |
| 4.5 小结 | 第56-58页 |
| 第五章 频谱知识图谱构建和实体关系联合抽取应用 | 第58-67页 |
| 5.1 引言 | 第58-59页 |
| 5.2 频谱知识图谱构建 | 第59-65页 |
| 5.2.1 需求分析 | 第59页 |
| 5.2.2 系统定义 | 第59-62页 |
| 5.2.3 流程框架 | 第62页 |
| 5.2.4 采集子系统 | 第62-63页 |
| 5.2.5 抽取子系统 | 第63页 |
| 5.2.6 系统的展示和输出 | 第63-65页 |
| 5.3 联合模型实现三元组自动抽取 | 第65-66页 |
| 5.3.1 数据集构造 | 第65页 |
| 5.3.2评价指标 | 第65页 |
| 5.3.3 实验超参数设置 | 第65-66页 |
| 5.3.4 实验结果与实验分析 | 第66页 |
| 5.4 小结 | 第66-67页 |
| 第六章 总结和展望 | 第67-69页 |
| 6.1 论文工作总结 | 第67页 |
| 6.2 展望57参考文献59舰 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-76页 |
| 攻读学位期间取得的研究成果 | 第76页 |
