一种基于深度学习的实体关系抽取方法及应用
| 摘要 | 第4页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 实体间关系分类 | 第10-12页 |
| 1.2.2 实体和关系联合抽取 | 第12-13页 |
| 1.2.3 开放域实体关系抽取 | 第13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 关键技术概述 | 第16-23页 |
| 2.1 卷积神经网络 | 第16-18页 |
| 2.2 循环神经网络 | 第18-21页 |
| 2.2.1 长短时记忆单元 | 第19-20页 |
| 2.2.2 双向LSTM | 第20-21页 |
| 2.3 DeepDive | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 数据获取与标注 | 第23-28页 |
| 3.1 原始数据说明 | 第23-25页 |
| 3.2 公司名称识别 | 第25-26页 |
| 3.3 生成正负样本 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 基于循环神经网络的关系抽取模型 | 第28-37页 |
| 4.1 模型结构 | 第28-35页 |
| 4.1.1 特征抽取层 | 第29-31页 |
| 4.1.2 Embedding层 | 第31-33页 |
| 4.1.3 BLSTM层 | 第33页 |
| 4.1.4 注意力层 | 第33-34页 |
| 4.1.5 特征融合及分类 | 第34-35页 |
| 4.2 模型训练 | 第35-36页 |
| 4.3 本章小结 | 第36-37页 |
| 第5章 基于卷积神经网络的关系抽取模型 | 第37-42页 |
| 5.1 模型结构 | 第37-41页 |
| 5.1.1 词语级别CNN模块 | 第38-39页 |
| 5.1.2 字符级别CNN模块 | 第39-41页 |
| 5.2 本章小结 | 第41-42页 |
| 第6章 实验设计与结果分析 | 第42-54页 |
| 6.1 实验设计 | 第42-44页 |
| 6.1.1 实验环境 | 第42页 |
| 6.1.2 评价指标 | 第42-43页 |
| 6.1.3 参数设置 | 第43-44页 |
| 6.2 不同模型对比实验 | 第44-45页 |
| 6.3 不同输入特征对比实验 | 第45-46页 |
| 6.4 不同分类关系对比实验 | 第46-47页 |
| 6.5 循环神经网络模型分析 | 第47-50页 |
| 6.6 卷积神经网络模型分析 | 第50-51页 |
| 6.7 CNN与BLSTM模型对比 | 第51-53页 |
| 6.8 本章小结 | 第53-54页 |
| 第7章 与DeepDive的集成 | 第54-66页 |
| 7.1 DeepDive的关系抽取流程 | 第54-59页 |
| 7.1.1 数据预处理 | 第55-56页 |
| 7.1.2 使用远程监督和规则对样本进行标注 | 第56-57页 |
| 7.1.3 模型训练和推断 | 第57-59页 |
| 7.2 添加深度学习模块 | 第59-65页 |
| 7.2.1 add命令 | 第60-61页 |
| 7.2.2 merge命令 | 第61-62页 |
| 7.2.3 train命令 | 第62-64页 |
| 7.2.4 predict命令 | 第64-65页 |
| 7.3 本章小结 | 第65-66页 |
| 第8章 总结与展望 | 第66-68页 |
| 8.1 本文工作总结 | 第66页 |
| 8.2 未来研究方向 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74页 |
