面向《大词林》的中文实体关系挖掘
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景及研究的目的和意义 | 第9-11页 |
| 1.1.1 课题的来源 | 第9页 |
| 1.1.2 课题研究的背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 实体对之间的关系挖掘 | 第12-15页 |
| 1.2.2 特定关系的实体对挖掘 | 第15-16页 |
| 1.3 主要研究内容 | 第16-18页 |
| 第2章 基于字信息词汇分布的实体上位关系识别 | 第18-28页 |
| 2.1 引言 | 第18-19页 |
| 2.2 基于字信息的词向量学习模型 | 第19-20页 |
| 2.3 上位关系向量表示 | 第20-22页 |
| 2.3.1 上位关系识别 | 第21-22页 |
| 2.4 实验结果及其分析 | 第22-27页 |
| 2.4.1 词向量学习 | 第22-23页 |
| 2.4.2 上位关系簇聚类 | 第23页 |
| 2.4.3 上位关系识别 | 第23-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于深度学习的开放域实体关系抽取 | 第28-43页 |
| 3.1 引言 | 第28页 |
| 3.2 循环神经网络 | 第28-33页 |
| 3.2.1 Elman型循环神经网络 | 第29-30页 |
| 3.2.2 Jordan型循环神经网络 | 第30页 |
| 3.2.3 长短期记忆人工神经网络 | 第30-31页 |
| 3.2.4 双向性 | 第31-32页 |
| 3.2.5 Bi-LSTM-CRF | 第32-33页 |
| 3.3 基于RNN的开放域命名实体边界识别 | 第33-35页 |
| 3.3.1 语料构建 | 第34-35页 |
| 3.4 基于LSTM的开放域实体关系抽取 | 第35-37页 |
| 3.4.1 最短依存路径 | 第37页 |
| 3.5 实验结果及其分析 | 第37-42页 |
| 3.5.1 基于RNN的开放域命名实体边界识别 | 第37-40页 |
| 3.5.2 基于LSTM的开放域实体关系抽取 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于上位关系泛化的实体关系挖掘 | 第43-54页 |
| 4.1 引言 | 第43页 |
| 4.2 上位关系泛化 | 第43-45页 |
| 4.3 实体关系指示词候选获取 | 第45-46页 |
| 4.4 实体关系判别 | 第46-48页 |
| 4.5 实验结果及其分析 | 第48-53页 |
| 4.5.1 实验数据 | 第48-49页 |
| 4.5.2 实验结果 | 第49-53页 |
| 4.5.3 错误分析 | 第53页 |
| 4.6 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-63页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第63-65页 |
| 致谢 | 第65-66页 |
