基于深度学习的中文微博人物关系图谱的研究与实现
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第9-20页 |
| 1.1 研究背景和意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状与分析 | 第12-17页 |
| 1.2.1 传统非深度学习研究现状 | 第12-15页 |
| 1.2.2 深度学习研究现状 | 第15-17页 |
| 1.3 本文研究的内容 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-20页 |
| 2 相关原理及技术 | 第20-28页 |
| 2.1 人物关系提取概述 | 第20页 |
| 2.2 NLP相关技术 | 第20-25页 |
| 2.2.1 词向量 | 第20-22页 |
| 2.2.2 命名实体识别 | 第22-23页 |
| 2.2.3 依存句法树 | 第23-25页 |
| 2.3 ACE语料库 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于深度神经网络的关系提取 | 第28-46页 |
| 3.1 相关独立模型简介 | 第28-34页 |
| 3.1.1 卷积神经网络 | 第28-31页 |
| 3.1.2 循环神经网络 | 第31-33页 |
| 3.1.3 对数线性模型 | 第33-34页 |
| 3.2 基于改进模型的关系提取 | 第34-38页 |
| 3.2.1 特征提取 | 第34-35页 |
| 3.2.2 基于独立模型的关系提取 | 第35-37页 |
| 3.2.3 基于组合模型的关系提取 | 第37-38页 |
| 3.2.4 基于混合模型的关系提取 | 第38页 |
| 3.3 实验结果与分析 | 第38-45页 |
| 3.3.1 实验环境 | 第38-39页 |
| 3.3.2 实验 | 第39页 |
| 3.3.3 评估 | 第39-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 基于中文微博的人物关系图谱的构建 | 第46-55页 |
| 4.1 人物关系语料库的构建 | 第46-48页 |
| 4.1.1 人物关系的扩展 | 第46-47页 |
| 4.1.2 基于CRF的关系短语提取 | 第47-48页 |
| 4.2 人物关系图谱的构建 | 第48-52页 |
| 4.2.1 微博信息采集 | 第49-50页 |
| 4.2.2 数据预处理 | 第50-51页 |
| 4.2.3 实验语料标注 | 第51-52页 |
| 4.3 人物关系提取性能 | 第52-53页 |
| 4.4 可视化人物关系图谱 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 | 第62-63页 |
| 附录2 主要英文缩写语对照表 | 第63页 |
