| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究意义 | 第13页 |
| 1.3 关系抽取的研究现状 | 第13-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-18页 |
| 第二章 相关技术 | 第18-28页 |
| 2.1 CRFs条件随机场 | 第18-19页 |
| 2.2 句法解析树 | 第19-21页 |
| 2.3 word2vec词向量 | 第21-24页 |
| 2.4 卷积神经网络CNN | 第24-25页 |
| 2.5 循环神经网络LSTM | 第25-26页 |
| 2.6 Hadoop | 第26-28页 |
| 第三章 基于条件随机场的中文开放式实体关系抽取C-COERE | 第28-44页 |
| 3.1 引言 | 第28-29页 |
| 3.2 数据预处理 | 第29-30页 |
| 3.3 CRFs条件随机场标注 | 第30-31页 |
| 3.3.1 特征抽取和人工标注 | 第30-31页 |
| 3.3.2 模型训练与标注 | 第31页 |
| 3.4 SPTB关系三元组提取 | 第31-33页 |
| 3.5 后处理过滤 | 第33-34页 |
| 3.6 迭代式抽取 | 第34-36页 |
| 3.7 并行化算法PC-COERE | 第36-40页 |
| 3.7.1 并行化预处理子过程 | 第36-37页 |
| 3.7.2 并行化关系元组提取子过程 | 第37页 |
| 3.7.3 并行化关系元组过滤子过程 | 第37-38页 |
| 3.7.4 并行化关系模式提取子过程 | 第38-39页 |
| 3.7.5 并行化模式匹配元组子过程 | 第39-40页 |
| 3.8 实验结果及分析 | 第40-43页 |
| 3.8.1 基于人工标注的数据集 | 第40-42页 |
| 3.8.2 基于无标注的大规模文本数据集 | 第42页 |
| 3.8.3 并行化算法对比实验 | 第42-43页 |
| 3.9 本章小结 | 第43-44页 |
| 第四章 基于深度神经网络的中文开放式实体关系抽取 | 第44-55页 |
| 4.1 引言 | 第44-45页 |
| 4.2 候选关系三元组的生成与词的表示方法 | 第45页 |
| 4.3 基本特征 | 第45-46页 |
| 4.4 基于LSTM的元组级特征 | 第46-48页 |
| 4.5 基于CNN的句子级特征 | 第48-49页 |
| 4.6 输出层和模型训练 | 第49-50页 |
| 4.7 实验结果及分析 | 第50-54页 |
| 4.7.1 词向量与数据集 | 第50-51页 |
| 4.7.2 候选关系三元组 | 第51-52页 |
| 4.7.3 神经网络超参数设置 | 第52-53页 |
| 4.7.4 对比实验 | 第53-54页 |
| 4.8 本章小结 | 第54-55页 |
| 第五章 实体关系类型自动构建技术的研究与实现 | 第55-64页 |
| 5.1 基于word2vec的词语相似度的度量 | 第55-56页 |
| 5.2 聚类算法 | 第56-59页 |
| 5.2.1 K-means聚类 | 第56-57页 |
| 5.2.2 层次聚类 | 第57页 |
| 5.2.3 基于密度的DBSCAN聚类 | 第57-58页 |
| 5.2.4 Affinity Propagation近邻传播聚类 | 第58-59页 |
| 5.2.5 谱聚类 | 第59页 |
| 5.3 实验结果及分析 | 第59-62页 |
| 5.3.1 数据集及评价标准 | 第59-62页 |
| 5.3.2 实验结果及分析 | 第62页 |
| 5.4 本章小结 | 第62-64页 |
| 第六章 可视化的中文开放式实体关系抽取原型系统 | 第64-70页 |
| 6.1 需求分析 | 第64-66页 |
| 6.2 系统架构 | 第66-67页 |
| 6.3 系统演示 | 第67-69页 |
| 6.4 本章小结 | 第69-70页 |
| 第七章 总结与展望 | 第70-72页 |
| 7.1 本文总结 | 第70-71页 |
| 7.2 展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间发表的论文 | 第77页 |