| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的背景与意义 | 第9-10页 |
| 1.2 相关研究进展 | 第10-12页 |
| 1.3 课题的主要内容 | 第12-13页 |
| 1.4 论文的结构安排 | 第13-15页 |
| 第二章 弱监督的实体关系抽取和命名实体识别 | 第15-29页 |
| 2.1 命名实体识别和实体关系抽取 | 第15-17页 |
| 2.1.1 命名实体的含义 | 第15页 |
| 2.1.2 命名实体识别的含义 | 第15-16页 |
| 2.1.3 实体关系抽取的含义 | 第16页 |
| 2.1.4 命名实体识别和实体关系抽取的评价指标 | 第16-17页 |
| 2.2 弱监督学习方法 | 第17-21页 |
| 2.2.1 弱监督学习的形式及其多示例多标签问题 | 第18-20页 |
| 2.2.2 利用弱监督和知识库自动标注语料 | 第20-21页 |
| 2.3 课题中的关键技术 | 第21-29页 |
| 2.3.1 卷积神经网络 | 第22-24页 |
| 2.3.2 循环神经网络和长短时记忆单元 | 第24-25页 |
| 2.3.3 条件随机场 | 第25-26页 |
| 2.3.4 注意力机制和编码解码模型 | 第26-29页 |
| 第三章 层次注意力和软目标下的弱监督关系抽取 | 第29-49页 |
| 3.1 实体敏感的输入层的构建 | 第29-32页 |
| 3.1.1 基于神经语言模型的词语表示 | 第29-31页 |
| 3.1.2 构建对实体信息敏感的位置向量 | 第31页 |
| 3.1.3 输入层操作概述 | 第31-32页 |
| 3.2 基于层次注意力神经网络的关系抽取方法 | 第32-38页 |
| 3.2.1 基于分片卷积网络的编码器 | 第32-34页 |
| 3.2.2 基于双向循环神经网络的实体关系抽取 | 第34-35页 |
| 3.2.3 多层注意力降噪网络 | 第35-38页 |
| 3.3 多标签问题的学习方式 | 第38-41页 |
| 3.3.1 软目标下的类别联合学习 | 第39-40页 |
| 3.3.2 基于排序方式的多标签学习 | 第40-41页 |
| 3.4 数据集及其预处理 | 第41-42页 |
| 3.4.1 纽约时报数据集介绍 | 第41页 |
| 3.4.2 维基百科语料介绍 | 第41-42页 |
| 3.4.3 数据集预处理 | 第42页 |
| 3.5 实验及分析 | 第42-49页 |
| 3.5.1 评价指标以及基线 | 第42-43页 |
| 3.5.2 实验设计和参数设置 | 第43-44页 |
| 3.5.3 实验结果及分析 | 第44-47页 |
| 3.5.4 案例分析 | 第47-49页 |
| 第四章 弱监督的命名实体与关系的联合抽取 | 第49-59页 |
| 4.1 基于序列标注的命名实体与关系联合抽取的标签设计 | 第49-50页 |
| 4.2 实体与关系联合抽取的模型设计 | 第50-55页 |
| 4.2.1 基于双向LSTM的编码器 | 第50-51页 |
| 4.2.2 基于条件随机场的解码器 | 第51-52页 |
| 4.2.3 基于注意力机制的全局LSTM解码器 | 第52-54页 |
| 4.2.4 基于动态规划的序列预测 | 第54-55页 |
| 4.3 联合抽取的实验过程 | 第55-59页 |
| 4.3.1 数据集介绍 | 第55页 |
| 4.3.2 数据预处理和超参数设置 | 第55页 |
| 4.3.3 实验结果与分析 | 第55-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文总结 | 第59-60页 |
| 5.2 未来的展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文目录 | 第67页 |