摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第1章 绪论 | 第15-33页 |
1.1 课题背景及意义 | 第15-18页 |
1.1.1 课题背景 | 第15-17页 |
1.1.2 课题意义 | 第17-18页 |
1.2 研究现状及分析 | 第18-30页 |
1.2.1 文本信息抽取主要研究任务 | 第18-20页 |
1.2.2 文本信息抽取方法 | 第20-25页 |
1.2.3 文本表示学习 | 第25-30页 |
1.3 本文的研究内容及安排 | 第30-33页 |
第2章 基于多层级跨语言注意力模型的命名实体识别 | 第33-51页 |
2.1 引言 | 第33-35页 |
2.2 相关工作 | 第35-40页 |
2.2.1 基于双语平行语料的命名实体识别方法研究 | 第35-36页 |
2.2.2 基于神经网络的命名实体识别方法研究 | 第36-39页 |
2.2.3 注意力机制 | 第39-40页 |
2.3 多层级跨语言语义表示框架 | 第40-44页 |
2.3.1 方法概述 | 第40-41页 |
2.3.2 面向词典翻译候选的注意力模型 | 第41-42页 |
2.3.3 面向实体类型分布的注意力模型 | 第42-43页 |
2.3.4 基于跨语言实体类型分布信息的实体识别 | 第43-44页 |
2.4 实验 | 第44-50页 |
2.4.1 实验数据 | 第45-46页 |
2.4.2 中文实体识别实验 | 第46-48页 |
2.4.3 乌兹别克语与土耳其语实体识别实验 | 第48-49页 |
2.4.4 MCAN模型在三种语言上的对比 | 第49-50页 |
2.5 本章小结 | 第50-51页 |
第3章 基于深层记忆网络的弱监督关系抽取 | 第51-70页 |
3.1 引言 | 第51-53页 |
3.2 相关工作 | 第53-56页 |
3.2.1 基于知识库弱监督的关系抽取 | 第53-54页 |
3.2.2 深层记忆网络概述 | 第54-56页 |
3.3 基于深层记忆网络的弱监督关系抽取实现 | 第56-64页 |
3.3.1 任务定义及符号表示 | 第56-57页 |
3.3.2 方法概述 | 第57-59页 |
3.3.3 基于上下文的注意力模型 | 第59-61页 |
3.3.4 基于卷积神经网络的句子表示学习 | 第61-62页 |
3.3.5 基于实例可信度的关系级注意力模型 | 第62-63页 |
3.3.6 基于关系依存的关系级注意力模型 | 第63-64页 |
3.3.7 多标注关系分类 | 第64页 |
3.4 实验 | 第64-69页 |
3.4.1 实验设置 | 第64-65页 |
3.4.2 对比方法 | 第65-66页 |
3.4.3 实验结果 | 第66-67页 |
3.4.4 模型分析 | 第67-69页 |
3.5 本章小结 | 第69-70页 |
第4章 融合序列和局部特征表示的事件抽取 | 第70-87页 |
4.1 引言 | 第70-73页 |
4.2 相关工作 | 第73-75页 |
4.2.1 基于ACE评测的事件抽取任务说明 | 第73-74页 |
4.2.2 事件抽取主要方法 | 第74-75页 |
4.3 融合序列和局部特征的神经网络模型 | 第75-81页 |
4.3.1 基于表示学习的事件触发词识别 | 第75-78页 |
4.3.2 基于表示学习的事件元素识别 | 第78-80页 |
4.3.3 模型训练 | 第80-81页 |
4.4 实验 | 第81-86页 |
4.4.1 数据与评价方法 | 第81页 |
4.4.2 事件触发词抽取 | 第81-83页 |
4.4.3 事件元素抽取 | 第83-86页 |
4.5 本章小节 | 第86-87页 |
第5章 基于张量模型的实体和三元组消歧研究 | 第87-105页 |
5.1 引言 | 第87-89页 |
5.2 相关工作 | 第89-91页 |
5.2.1 实体消歧方法研究 | 第90页 |
5.2.2 三元组表示方法 | 第90-91页 |
5.3 基于张量模型的消歧任务 | 第91-99页 |
5.3.1 基于张量模型的实体消歧 | 第91-96页 |
5.3.2 基于张量模型的三元组消歧 | 第96-99页 |
5.4 实验及结果分析 | 第99-104页 |
5.4.1 实体消歧实验 | 第99-101页 |
5.4.2 英文到中文三元组消歧实验 | 第101-104页 |
5.5 本章小节 | 第104-105页 |
结论 | 第105-107页 |
参考文献 | 第107-123页 |
攻读博士学位期间发表的论文及其他成果 | 第123-125页 |
致谢 | 第125-126页 |
个人简历 | 第126页 |