在信息爆炸的大數(shù)據(jù)時(shí)代,如何從龐雜的數(shù)據(jù)中獲取簡單有效的信息顯得日益重要。命名實(shí)體識(shí)別是在文本中定位和分類專有名詞（例如人名、地名等）的手段。在中文領(lǐng)域,這類命名實(shí)體發(fā)揮著巨大的作用,因而將其更好的發(fā)現(xiàn)與提取是一項(xiàng)有意義的工作。文本數(shù)據(jù)具有上下文依賴關(guān)系,本文將數(shù)據(jù)作為隨機(jī)變量的集合,挖掘隨機(jī)變量中實(shí)體與其他信息的概率依賴關(guān)系。考慮到命名實(shí)體識(shí)別任務(wù)的特殊性,我們從依存句法分析和子序列分割入手,提出了對其算法的改進(jìn),本文主要工作如下:（1）提出了融合依存句法信息的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以識(shí)別命名實(shí)體,通過單向信息的傳遞,得到與雙向信息傳遞可以匹敵的效果。該方法考慮到將依存句法分析獲得的句子中與物理位置無關(guān)的信息之間的語義關(guān)系作為特征以提高命名實(shí)體識(shí)別性能。提出將基于詞語級別的依存句法分析轉(zhuǎn)化為基于字符的依存句法信息,以獲得更多的額外信息并減少錯(cuò)誤的依存句法分析結(jié)果帶來的影響。并引入樹狀長短期記憶神經(jīng)網(wǎng)絡(luò),挖掘以依存句法分析表示的樹狀序列信息。（2）提出了神經(jīng)網(wǎng)絡(luò)與半馬爾科夫條件隨機(jī)場結(jié)合的命名實(shí)體識(shí)別方法,該方法將序列看成是一個(gè)個(gè)子序列的集合,并將子序列作為一個(gè)整體進(jìn)行標(biāo)記,解決了條件隨機(jī)場中存... 

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 研究內(nèi)容與工作
    1.4 論文組織結(jié)構(gòu)
2 相關(guān)背景知識(shí)
    2.1 NER任務(wù)分析
    2.2 輸入表示
    2.3 規(guī)則與詞典結(jié)合的NER方法
    2.4 統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法
        2.4.1 基本分類器實(shí)現(xiàn)NER任務(wù)
        2.4.2 生成式模型
        2.4.3 判別式模型
    2.5 深度學(xué)習(xí)方法
        2.5.1 神經(jīng)網(wǎng)絡(luò)NER的輸入層
        2.5.2 基于RNN及其變體的NER任務(wù)
        2.5.3 基于CNN的NER任務(wù)
    2.6 評價(jià)方式
        2.6.1 PRF值
        2.6.2 宏觀F值與微觀F值
    2.7 本章小結(jié)
3 融入依存句法信息的Tree-LSTM命名實(shí)體識(shí)別方法
    3.1 依存句法分析
        3.1.1 依存句法介紹
        3.1.2 基于字的依存句法分析定義
    3.2 融入依存句法信息的網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.1 Tree-LSTM模型
        3.2.2 融入依存句法信息的Tree-LSTM網(wǎng)絡(luò)結(jié)構(gòu)
    3.3 命名實(shí)體識(shí)別系統(tǒng)
        3.3.1 系統(tǒng)框架
        3.3.2 文本數(shù)值化表示
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 標(biāo)注格式
        3.4.2 實(shí)驗(yàn)數(shù)據(jù)及處理
        3.4.3 實(shí)驗(yàn)設(shè)置
        3.4.4 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
4 神經(jīng)網(wǎng)絡(luò)半馬爾科夫條件隨機(jī)場實(shí)現(xiàn)命名實(shí)體識(shí)別
    4.1 問題分析
        4.1.1 半馬爾科夫性質(zhì)
        4.1.2 輸入表示
    4.2 神經(jīng)網(wǎng)絡(luò)半馬爾科夫條件隨機(jī)場模型
        4.2.1 半馬爾科夫條件隨機(jī)場
        4.2.2 神經(jīng)網(wǎng)絡(luò)半馬爾科夫條件隨機(jī)場模型算法
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 標(biāo)注格式
        4.3.2 實(shí)驗(yàn)數(shù)據(jù)分析
        4.3.3 實(shí)驗(yàn)設(shè)置
        4.3.4 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來展望
參考文獻(xiàn)
作者簡歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]漢英雙語命名實(shí)體識(shí)別與對齊的交互式方法[J]. 陳鈺楓,宗成慶,蘇克毅.  計(jì)算機(jī)學(xué)報(bào). 2011(09)
[2]《知網(wǎng)》在命名實(shí)體識(shí)別中的應(yīng)用研究[J]. 鄭逢強(qiáng),林磊,劉秉權(quán),孫承杰.  中文信息學(xué)報(bào). 2008(05)
[3]融合多特征的最大熵漢語命名實(shí)體識(shí)別模型[J]. 張玥杰,徐智婷,薛向陽.  計(jì)算機(jī)研究與發(fā)展. 2008(06)



本文編號：3657641