基于卷积神经网络的弱监督关系抽取关键技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究意义 | 第11-13页 |
| 1.3 关系抽取的发展历程 | 第13-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 本文的组织结构 | 第16-18页 |
| 第二章 关系抽取相关研究综述 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 基于机器学习方法的实体关系抽取 | 第18-24页 |
| 2.2.1 有监督的关系抽取方法 | 第18-21页 |
| 2.2.2 弱监督的关系抽取方法 | 第21-23页 |
| 2.2.3 无监督的关系抽取方法 | 第23-24页 |
| 2.3 开放域的关系抽取 | 第24页 |
| 2.4 卷积神经网络简介 | 第24-28页 |
| 2.4.1 卷积层 | 第25页 |
| 2.4.2 池化层 | 第25-26页 |
| 2.4.3 前向传播 | 第26-27页 |
| 2.4.4 反向传播 | 第27-28页 |
| 2.5 多示例学习 | 第28-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 基于排序损失的弱监督关系抽取 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 词向量概述 | 第31-33页 |
| 3.2.1 语言模型简介 | 第32页 |
| 3.2.2 Word2vec | 第32-33页 |
| 3.3 PCNN模型 | 第33-36页 |
| 3.3.1 词向量 | 第35页 |
| 3.3.2 位置向量 | 第35页 |
| 3.3.3 卷积操作 | 第35-36页 |
| 3.3.4 分段最大池化 | 第36页 |
| 3.4 基于排序的分类器模型 | 第36-37页 |
| 3.4.1 分类器 | 第36-37页 |
| 3.4.2 示例选择 | 第37页 |
| 3.5 排序损失 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于代价敏感的弱监督关系抽取 | 第39-45页 |
| 4.1 引言 | 第39页 |
| 4.2 解决数据不平衡的方法 | 第39-43页 |
| 4.2.1 随机采样 | 第39-40页 |
| 4.2.2 SMOTE算法 | 第40-41页 |
| 4.2.3 代价敏感方法 | 第41-43页 |
| 4.3 使用敏感代价解决数据类别不平衡 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 实验分析 | 第45-50页 |
| 5.1 数据集和评价标准 | 第45页 |
| 5.2 实验参数设置 | 第45-46页 |
| 5.3 基线方法 | 第46页 |
| 5.4 结果分析 | 第46-47页 |
| 5.5 代价敏感和排序损失的效果 | 第47-49页 |
| 5.6 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 本文工作总结 | 第50页 |
| 6.2 下一步展望 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58-60页 |
| 附录 (攻读硕士学位期间发表和录用的学术论文) | 第60页 |
