基于深度学习的中文实体关系抽取方法研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 论文研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-19页 |
| 1.2.1 深度学习 | 第12-13页 |
| 1.2.2 关系抽取发展历程 | 第13-15页 |
| 1.2.3 关系抽取研究现状 | 第15-19页 |
| 1.3 本文研究内容 | 第19-20页 |
| 1.3.1 本文的研究内容 | 第19-20页 |
| 1.3.2 论文的结构安排 | 第20页 |
| 1.4 本章小结 | 第20-21页 |
| 第2章 相关技术研究 | 第21-27页 |
| 2.1 爬取工具介绍 | 第21-22页 |
| 2.2 NLP工具介绍 | 第22-23页 |
| 2.2.1 中文分词 | 第22-23页 |
| 2.2.2 命名实体识别 | 第23页 |
| 2.3 TensorFlow介绍 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 数据采集及标注 | 第27-38页 |
| 3.1 数据源采集方法与问题分析 | 第27-28页 |
| 3.1.1 数据源选择 | 第27页 |
| 3.1.2 数据采集格式 | 第27-28页 |
| 3.1.3 数据爬取方法 | 第28页 |
| 3.2 实体关系数据标注 | 第28-37页 |
| 3.2.1 知识库选择 | 第28-29页 |
| 3.2.2 数据标注 | 第29-35页 |
| 3.2.3 词向量训练 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 基于实体注意力的深度学习实体关系抽取 | 第38-54页 |
| 4.1 引言 | 第38页 |
| 4.2 神经网络 | 第38-44页 |
| 4.2.1 循环神经网络 | 第38-40页 |
| 4.2.2 卷积神经网络 | 第40-41页 |
| 4.2.3 参数学习过程 | 第41-43页 |
| 4.2.4 LSTM网络 | 第43-44页 |
| 4.3 基于实体注意力的关系分类模型 | 第44-48页 |
| 4.3.1 词嵌入层 | 第44-45页 |
| 4.3.2 双向LSTM层 | 第45页 |
| 4.3.3 实体注意力层 | 第45-46页 |
| 4.3.4 Softmax输出层 | 第46页 |
| 4.3.5 缓解过拟合策略 | 第46-48页 |
| 4.4 关系分类模型实验 | 第48-53页 |
| 4.4.1 实验方案设计 | 第48-49页 |
| 4.4.2 评价指标 | 第49页 |
| 4.4.3 实验数据集 | 第49-50页 |
| 4.4.4 超参数设置 | 第50页 |
| 4.4.5 实验结果与分析 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 基于多示例多标记的深度学习实体关系抽取 | 第54-64页 |
| 5.1 引言 | 第54页 |
| 5.2 基于多示例多标记的关系抽取模型 | 第54-59页 |
| 5.2.1 多示例多标记学习方法 | 第54-57页 |
| 5.2.2 句子级注意力 | 第57-58页 |
| 5.2.3 GatedRecurrentUnit | 第58-59页 |
| 5.3 实验结果与分析 | 第59-63页 |
| 5.3.1 评估方法与指标 | 第60页 |
| 5.3.2 实验结果 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 结论 | 第64页 |
| 进一步工作 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第75页 |
