近年來,隨著人工智能相關技術的興起,自然語言處理領域的諸多方向也得到了長足的發(fā)展,并且相輔相成地進一步促進了人工智能相關技術的進步。在眾多自然語言處理任務中,關系抽取任務因其廣泛的應用場景而受到密切的關注。關系抽取任務旨在提取句子中兩個實體之間的可能關系,是眾多高階自然語言處理任務的基礎工作。同時,關系三元組「實體,關系,實體」是組成知識庫的基本知識單元,因此關系抽取也是知識庫補全的重要工具,是未來以知識驅動的人工智能的重要奠基工作。經(jīng)過近幾?年的長足發(fā)展,關系抽取任務的相關研究已經(jīng)達到了較高水平�，F(xiàn)代關系抽取研究的進一步發(fā)展通常面臨一個核心問題和一個嚴峻挑戰(zhàn)。核心問題是:在復雜關系抽取場景中,如何提高關系特征擬合的精確度。嚴峻挑戰(zhàn)是:在關系規(guī)模快速擴張后,如何使用自動化構建的數(shù)據(jù)集進行有效的關系抽取訓練。關系特征擬合的精確度是關系抽取任務中最為核心的部分。在神經(jīng)網(wǎng)絡技術被證明具有強大的特征擬合能力之后,一系列的神經(jīng)網(wǎng)絡模型被應用到關系抽取的任務中來,并取得了良好的效果。神經(jīng)網(wǎng)絡模型能夠在語義層面上擬合關系特征,對于復雜的隱式關系表達更加敏感。同時,無需手工設計特征的優(yōu)點使得基于神經(jīng)網(wǎng)...

【文章頁數(shù)】：144 頁

【學位級別】：博士

【部分圖文】：

圖2–4主動學習工作流

斜鶩?紜Ａ礁鐾?縵嗷ザ鑰埂⒉歡系髡?問??鈧漳康氖鞘古斜鶩?絡無法判斷生成網(wǎng)絡的輸出結果是否真實。至此，我們將得到一個深諳數(shù)據(jù)分布的生成網(wǎng)絡，產(chǎn)生足夠以假亂真的數(shù)據(jù)。生成對抗網(wǎng)絡能夠在較少樣本的情況下，通過訓練良好的生成網(wǎng)絡來生成數(shù)據(jù)。因此，生成對抗網(wǎng)絡被廣泛應用在圖片生成[11....

圖1–1基于神經(jīng)網(wǎng)絡的句子編碼器

神經(jīng)關系抽取指基于神經(jīng)網(wǎng)絡的關系抽取技術1。神經(jīng)關系抽取的興起源自神經(jīng)網(wǎng)絡模型在圖像識別領域取得的巨大成功,深度卷積神經(jīng)網(wǎng)絡(CNN)在圖像識別的基準任務ImageNet上取得了革命性的提升[18]。自此之后深度神經(jīng)網(wǎng)絡模型開始統(tǒng)治圖像識別領域的各類任務。受到圖像識別領域成功應用....

圖1–2遠程監(jiān)督關系抽取工作流

根據(jù)定義可知,遠程監(jiān)督的關系抽取方法不再依賴手工標注的數(shù)據(jù)集,提高了關系抽取解決方案的自動化程度,使得大規(guī)模關系抽取成為可能。然而,遠程監(jiān)督的方法有明顯的缺陷。在很多情況下,其基本假設并不成立,也就是會有大量的錯誤標注問題。例如,在句子“SteveJobspassedawa....

圖1–3研究架構圖

本文從四個不同維度出發(fā),系統(tǒng)地研究了關系抽取任務,強調(diào)在不同維度上關系抽取任務面臨的獨特挑戰(zhàn)。例如,在模型精度方面我們的研究關注多標簽關系識別中重疊特征的提取問題,而在模型效率方面我們的研究重點討論神經(jīng)網(wǎng)絡模型如何在不損失精度的前提下降低時空復雜性。雖然本研究的四個部分是彼此相對....

本文編號：3950401