隨著信息時代的到來,網(wǎng)絡(luò)上的信息越來越呈現(xiàn)出指數(shù)形式爆發(fā)增長的態(tài)勢,在這其中,文本信息占據(jù)了相當(dāng)重要的組成部分,如何準(zhǔn)確高效的獲取知識成為亟待解決的問題。實體識別和關(guān)系抽取的聯(lián)合模型的主要目標(biāo)是同時從非結(jié)構(gòu)化的文本中抽取實體類別和它們之間的語義關(guān)系。作為自然語言處理技術(shù)的底層技術(shù),對于上層的應(yīng)用有著顯著的意義。本文圍繞著實體識別和關(guān)系抽取的聯(lián)合模型進行了深入的研究,主要工作內(nèi)容和階段成果如下:（1）復(fù)現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的實體識別和關(guān)系抽取的聯(lián)合模型基線系統(tǒng),并對當(dāng)前模型可能存在的問題進行了討論。（2）提出了一種基于參數(shù)共享的雙向長短期記憶網(wǎng)絡(luò)-圖卷積神經(jīng)網(wǎng)絡(luò)的混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。模型通過引入句法的圖卷積神經(jīng)網(wǎng)絡(luò),用于更好的抽取句子中的關(guān)系。在公開數(shù)據(jù)集上,這個聯(lián)合模型取得了相較之前工作更好的性能。（3）提出了一種基于特殊標(biāo)注策略的融合自注意力機制的聯(lián)合模型,將信息抽取任務(wù)轉(zhuǎn)化為序列標(biāo)注任務(wù),通過自注意力子層學(xué)習(xí)句子內(nèi)部的詞依賴關(guān)系,在公開數(shù)據(jù)集上也取得了較好的表現(xiàn)。（4）初步搭建了基于實體識別關(guān)系抽取聯(lián)合模型的知識圖譜構(gòu)建系統(tǒng),實現(xiàn)了從非結(jié)構(gòu)化文本中抽取三元組的解決方案。 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３－２加入窺孔機制的ＬＳＴＭ變體??２４??

?Ｓ３??圖３－３抽取樣本中預(yù)測錯誤樣本統(tǒng)計??由圖３－３可以發(fā)現(xiàn)，相對來說找到配的實體對是目前需要解決的問題，在實??體對預(yù)測正確關(guān)系預(yù)測錯誤的樣本較少，這和前面的實驗結(jié)果是相一致的。???表３－４?實例分析???［Ｐａｎａｍａ?Ｃｉｔｙ?Ｂｅａｃｈ］?Ｅｌｃｏｎｔａｉｎ?ｈａｓ?ｃｏｎｄｏｓ，?ｂｕｔ?ｔｈｅ?ａｒｅａ?ｗａｓ?ｏｎｅ?ｏｆ?ｏｎｌｙ??ｔｗｏ?ｉｎ?［Ｆｌｏｒｉｄａ］?Ｅｌｃｏｎｔａｉｎ?ｗｈｅｒｅ?ｓａｌｅｓ?ｒｏｓｅ?ｉｎ?Ｍａｒｃｈ?，?ｃｏｍｐａｒｅｄ?ｗｉｔｈ?ａ??ｙｅａｒ?ｅａｒｌｉｅｒ．??［Ｐａｎａｍａ?Ｃｉｔｙ?Ｂｅａｃｈ］?Ｅ２?ｈａｓ?ｃｏｎｄｏｓ?，?ｂｕｔ?ｔｈｅ?ａｒｅａ?ｗａｓ?ｏｎｅ?ｏｆ?ｏｎｌｙ?ｔｗｏ?ｉｎ??ＳＰＴｉ．ｅｅ??［Ｆｌｏｒｉｄａ］?Ｅｌ?ｗｈｅｒｅ?ｓａｌｅｓ?ｒｏｓｅ?ｉｎ?Ｍａｒｃｈ?，?ｃｏｍｐａｉ＊ｅｄ?ｗｉｔｈ?ａ?ｙｅａｒ?ｅａｒｌｉｅｒ．??［Ｐａｎａｍａ?Ｃｉｔｙ?Ｂｅａｃｈ］?Ｅ２?ｈａｓ?ｃｏｎｄｏｓ?，?ｂｕｔ?ｔｈｅ?ａｒｅａ?ｗａｓ?ｏｎｅ?ｏｆ?ｏｎｌｙ?ｔｗｏ?ｉｎ??ＢｉＬＳＴＭ＋ＣＮＮｓ??［Ｆｌｏｒｉｄａ］?Ｅ＼?ｗｈｅｒｅ?ｓａｌｅｓ?ｒｏｓｅ?ｉｎ?Ｍａｒｃｈ?，?ｃｏｍｐａｒｅｄ?ｗｉｔｈ?ａ?ｙｅａｒ?ｅａｒｌｉｅｒ．??［Ｐａｎａｍａ?Ｃｉｔｙ?Ｂｅａｃｈ］?Ｅｌｃｏｎｔａｉｎ?ｈａｓ?ｃｏｎｄｏｓ

圖４－１當(dāng)前標(biāo)注策略下的黃金標(biāo)注??現(xiàn)在己經(jīng)解決了訓(xùn)練數(shù)據(jù)標(biāo)注的問題，下面將介紹如何從預(yù)測的標(biāo)簽得到最??終的結(jié)果。從圖４－１中可以看出，“Ｔｒｕｍｐ”和“Ｕｎｉｔｅｄ?Ｓｔａｔｅｓ”在相同的關(guān)系類??別“０卩”中，“人？咖１加”和“３１６＼他１？＆１１１＿１（＾”在相同的關(guān)系類別“�？”中。通�?過連接相同關(guān)系類別的實體得到最終的結(jié)果�！埃裕恚恚稹焙汀埃眨睿椋簦澹�?Ｓｔａｔｅｓ”可以??連接為一個關(guān)系為“Ｃｏｕｎｔｒｙ－Ｐｒｅｓｉｄｅｎｔ”的三元組。因為“Ｔｒｕｍｐ”在關(guān)系角色??中的標(biāo)簽為“２”，而“ＵｎｉｔｅｄＳｔａｔｅｓ”在關(guān)系角色中的標(biāo)簽為“１”，因此得到最終??白勺三元組｛Ｕｎｉｔｅｄ?Ｓｔａｔｅｓ，?Ｃｏｕｎｔｒｙ－Ｐｒｅｓｉｄｅｎｔ，?Ｔｒｕｍｐ｝?〇??如果一個句子中包含相同關(guān)系類別兩個或多個三元組，本文按照最近準(zhǔn)則將??每兩個實體轉(zhuǎn)成一個三元組�！埃眨睿椋簦澹�?Ｓｔａｔｅｓ”最接近實體“Ｔｒｕｍｐ”，“ＡｐｐｌｅＩｎｃ”??最接近“Ｊｏｂｓ＇?所以結(jié)果將是｛Ｕｎｉｔｅｄ?Ｓｔａｔｅｓ，Ｃｏｍｐａｎｙ－Ｆｏｕｎｄｅｒ，Ｔｒｕｍｐ｝和｛Ａｐｐｌｅ??Ｉｎｃ，?Ｃｏｍｐａｎｙ?－?Ｆｏｕｎｄｅｒ，?Ｓｔｅｖｅｎ?Ｐａｕｌ?Ｊｏｂｓ｝。??在本文中

【參考文獻】：
期刊論文
[1]知識圖譜構(gòu)建技術(shù)綜述[J]. 劉嶠,李楊,段宏,劉瑤,秦志光.  計算機研究與發(fā)展. 2016(03)

博士論文
[1]短文本信息抽取若干技術(shù)研究[D]. 鄭立洲.中國科學(xué)技術(shù)大學(xué) 2016
[2]漢語命名實體識別研究[D]. 江會星.北京郵電大學(xué) 2012



本文編號：3020580