事件抽取是以事件為單位進(jìn)行信息抽取的起點(diǎn),具有較高的理論與應(yīng)用價(jià)值。目前相關(guān)研究首先過(guò)度注重語(yǔ)句,而忽視了文檔級(jí)別信息;其次面對(duì)多類型事件句,難以有效識(shí)別事件類型;最后注重事件識(shí)別與論元識(shí)別的管道模型,從而導(dǎo)致了錯(cuò)誤傳播。針對(duì)上述問(wèn)題,本文主要研究?jī)?nèi)容包括以下三個(gè)方面:首先,本文提出一種借助注意力機(jī)制將局部的字符、詞、實(shí)體與全局的文檔中事件的共現(xiàn)等信息統(tǒng)一建模的序列到序列事件識(shí)別方法。在LDC2017E02語(yǔ)料上實(shí)驗(yàn)結(jié)果表明,該方法能有效提高事件識(shí)別性能。其次,面對(duì)多類型事件識(shí)別困難問(wèn)題,本文提出了一種融合ELMo的圖卷積網(wǎng)絡(luò)事件識(shí)別方法。該方法能借助依存分析建立事件之間的聯(lián)系,并利用圖卷積網(wǎng)絡(luò)對(duì)依存分析結(jié)果進(jìn)行學(xué)習(xí)。實(shí)驗(yàn)結(jié)果表明,該方法能進(jìn)一步提升事件識(shí)別的性能。最后,由于語(yǔ)料規(guī)模問(wèn)題,本文提出了一種融合局部特征與圖卷積的事件抽取聯(lián)合模型。該方法通過(guò)圖卷積網(wǎng)絡(luò)學(xué)習(xí)事件間的聯(lián)系,及通過(guò)記憶單元學(xué)習(xí)事件論元與事件類型間的語(yǔ)義聯(lián)系。在TAC KBP 2016測(cè)試集上的實(shí)驗(yàn)結(jié)果表明,該聯(lián)合抽取模型能有效提高事件識(shí)別與論元識(shí)別的性能。

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２?ＬＳＴＭ網(wǎng)絡(luò)結(jié)構(gòu)??１２??

第二章相關(guān)知識(shí)?英文事件抽取關(guān)鍵問(wèn)題研究??在全連接前饋神經(jīng)網(wǎng)絡(luò)中，假設(shè)第ｋ層有滬個(gè)神經(jīng)元，第ｋ－１層有個(gè)神經(jīng)??元，連接邊有ｎｆｃｘｎ（／ｃ＿１），權(quán)重矩陣也有ｎｆｃｘｎ（ｆｃ＿１）個(gè)參數(shù)。而ＣＮＮ通過(guò)局部連接把??連接邊變?yōu)閭�(gè)連接，ｍ為濾波器的大�。蝗缓笸ㄟ^(guò)權(quán)重共享，使得卷積....

圖２－３?ＥＬＭｏ網(wǎng)絡(luò)結(jié)構(gòu)??

英文事件抽取關(guān)鍵問(wèn)題研究?第二章相關(guān)知識(shí)??ＥＬＭｏｋ?＝?ａ＾Ｓｊｈ１＾?（２－１６）??其中，ｓ＾Ｓｏｆｍａｘ輸出結(jié)果，Ｌ為Ｂｉ－ＬＳＴＭ層數(shù)，／ｉｇ為每層Ｂｉ－ＬＳＴＭ是輸出。??Ｅｌ＼?Ｅｌ２?．．．?Ｅｉｎ??ｚｚ?＞?＼？＞＊＜ｒ、、、？??—Ｋ＾ｓｔｍ＾）?￣＊？—....

圖２－４?ＳＶＭ分類模型??１２

第二章：ｔＲ關(guān)知識(shí)?英文事件抽取關(guān)鍵問(wèn)題研究??ｗＴＸｉ?＋?ｂ?＞ｌ，ｙｉ＝ｌ?（２－１８）??ｗＴＸｉ?＋?ｂ?＜?－１，?ｙｔ?＝?－１??ｆ??ｘ＾］?參??ｐ．．．??ｙ／Ｋｒ／ｏ??ｌ．：Ｄ??ｌｋｌ｜?Ｚ??圖２－４?ＳＶＭ分類模型??尋找最大間隔的劃分超平面，需要....

圖３－２?ＣＮＮ提取字符向量不意圖??

英文事件抽取關(guān)鍵問(wèn)題研究?第三章結(jié)合圖卷積的基于序列到序列框架的事件識(shí)別??其中，ｎ是句子含有詞的長(zhǎng)度，％為句子中的單詞，ｋ是窗口大小，ｄｏｃ是包含??訓(xùn)練數(shù)據(jù)的向量，通常隨機(jī)初始化。??Ａ?ｔ?ｔ?ｃ?ｋ??—?—?—?—?—?Ｃｈａｒ??Ｅｍｂｅｄｄｉｎｇ??Ｖ?Ｊｘ?Ｗ?Ｊ....

本文編號(hào)：3899429