| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 深度学习模型 | 第11-12页 |
| 1.2.2 传统有监督实体关系提取及其深度学习扩展 | 第12-14页 |
| 1.2.3 远程监督实体关系提取及其深度学习扩展 | 第14-15页 |
| 1.2.4 无监督实体关系提取方法 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第2章 实体关系提取相关技术概述 | 第18-30页 |
| 2.1 传统远程监督实体关系提取方法中的假设及其变化 | 第18-20页 |
| 2.2 词嵌入模型 | 第20-21页 |
| 2.3 LSTM网络与GRU网络 | 第21-24页 |
| 2.3.1 LSTM网络 | 第21-23页 |
| 2.3.2 GRU网络 | 第23-24页 |
| 2.4 注意力模型 | 第24-27页 |
| 2.4.1 注意力模型的本质 | 第24-26页 |
| 2.4.2 LSTM网络与注意力模型 | 第26-27页 |
| 2.5 PCNN+ATT模型 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于改进语义假设的远程监督实体关系提取模型 | 第30-41页 |
| 3.1 传统远程监督方法中假设的不足以及本文提出的改进语义假设 | 第30-32页 |
| 3.2 基于改进语义假设和聚类的远程监督方法 | 第32-34页 |
| 3.2.1 聚类远程监督算法中的划分生成 | 第32-33页 |
| 3.2.2 句子实例的重新标注 | 第33-34页 |
| 3.3 基于改进语义假设和神经网络的远程监督方法 | 第34-40页 |
| 3.3.1 句子的语义信息编码 | 第35-38页 |
| 3.3.2 句子的语义中心靠近机制 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 实验结果与分析 | 第41-48页 |
| 4.1 实验数据集及实验设置 | 第41-42页 |
| 4.1.1 数据集描述 | 第41页 |
| 4.1.2 实验设置 | 第41-42页 |
| 4.2 模型评价 | 第42-46页 |
| 4.2.1 评价指标描述 | 第42-43页 |
| 4.2.2 Clustered DS方法评价 | 第43-45页 |
| 4.2.3 Bi-GRU+Clustered DS方法评价 | 第45-46页 |
| 4.3 本章小结 | 第46-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 硕士期间发表的论文和参与的项目 | 第55-56页 |
| 致谢 | 第56-57页 |
