| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 论文的主要研究内容 | 第10页 |
| 1.3 论文的组织结构 | 第10-12页 |
| 第二章 关系抽取中的关键技术 | 第12-31页 |
| 2.1 信息抽取技术综述 | 第12-15页 |
| 2.1.1 信息抽取系统体系结构 | 第12-14页 |
| 2.1.2 信息抽取的基本方式 | 第14-15页 |
| 2.2 关系抽取的主要方法 | 第15-18页 |
| 2.2.1 基于模式匹配的关系抽取 | 第15-16页 |
| 2.2.2 基于机器学习的关系抽取 | 第16-18页 |
| 2.3 表示学习的主要方法 | 第18-23页 |
| 2.3.1 基于布尔模型的方法 | 第18-19页 |
| 2.3.2 基于向量空间模型的方法 | 第19页 |
| 2.3.3 基于主题模型的方法 | 第19-20页 |
| 2.3.4 基于神经网络的方法 | 第20-23页 |
| 2.4 知识图谱与关系抽取 | 第23-27页 |
| 2.4.1 知识图谱概述 | 第23-25页 |
| 2.4.2 关系抽取对于知识图谱的意义 | 第25-26页 |
| 2.4.3 基于知识图谱弱监督学习的关系抽取 | 第26-27页 |
| 2.5 传统关系抽取中特征设计与表示方法 | 第27-29页 |
| 2.5.1 词汇特征 | 第27-28页 |
| 2.5.2 句法特征 | 第28-29页 |
| 2.5.3 特征表示 | 第29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 基于表示学习的关系抽取与知识图谱的结合 | 第31-36页 |
| 3.1 基于pairwise ranking形式的关系抽取模型 | 第31-34页 |
| 3.1.1 学习框架 | 第32-33页 |
| 3.1.2 基准模型及其训练 | 第33-34页 |
| 3.2 文本的关系抽取与知识图谱的结合 | 第34-35页 |
| 3.2.1 知识图谱的embedding表示 | 第34-35页 |
| 3.2.2 两者结合的关系抽取 | 第35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于神经网络的特征表示学习 | 第36-43页 |
| 4.1 基于卷积神经网络的mention特征表示学习 | 第36-38页 |
| 4.2 基于循环神经网络的mention特征表示学习 | 第38-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第五章 关系抽取实验 | 第43-51页 |
| 5.1 数据集及其预处理 | 第43-45页 |
| 5.1.1 文本数据集 | 第43页 |
| 5.1.2 知识图谱数据集 | 第43-44页 |
| 5.1.3 神经网络的初始词向量 | 第44-45页 |
| 5.1.4 文本数据预处理 | 第45页 |
| 5.2 评价指标 | 第45页 |
| 5.3 实验设计 | 第45-46页 |
| 5.3.1 模型参数 | 第46页 |
| 5.3.2 实验的实现及其环境 | 第46页 |
| 5.4 表示学习的实验结果与分析 | 第46-50页 |
| 5.4.1 基于文本表示学习的关系抽取实验 | 第46-48页 |
| 5.4.2 融合模型的实验 | 第48-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 工作总结 | 第51页 |
| 6.2 不足与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-59页 |
| 攻读学位期间发表的学术论文目录 | 第59页 |
