事件檢測(cè)針對(duì)自由文本實(shí)現(xiàn)事件表述語(yǔ)言的提取和結(jié)構(gòu)化數(shù)據(jù)的組織(如提取觸發(fā)詞并進(jìn)行類(lèi)型標(biāo)記)。在事件檢測(cè)過(guò)程中,同一個(gè)單詞(觸發(fā)詞候選)在不同上下文環(huán)境中可能觸發(fā)不同的事件類(lèi)型,而神經(jīng)網(wǎng)絡(luò)方法依賴(lài)的詞向量只有一種形式,從而無(wú)法表征不同的上下文信息。此外,在模型訓(xùn)練過(guò)程中,上下文中的虛假特征使得觸發(fā)詞識(shí)別會(huì)出現(xiàn)偏差。同時(shí),通過(guò)觀察ACE2005語(yǔ)料(國(guó)際權(quán)威事件抽取評(píng)測(cè)數(shù)據(jù))發(fā)現(xiàn),該語(yǔ)料的事件類(lèi)別和正負(fù)樣例分布欠缺平衡性,導(dǎo)致模型對(duì)測(cè)試集進(jìn)行事件檢測(cè)時(shí),如果表征該事件類(lèi)型的觸發(fā)詞在訓(xùn)練集中出現(xiàn)次數(shù)較少,則該類(lèi)觸發(fā)詞往往不能被賦予真正的事件類(lèi)型。為此,本研究通過(guò)以下方法解決上述問(wèn)題:(1)一種基于語(yǔ)言學(xué)特征和卷積神經(jīng)網(wǎng)絡(luò)模型的事件檢測(cè)方法本研究提出一種新的基于語(yǔ)言學(xué)特征和卷積神經(jīng)網(wǎng)絡(luò)模型的事件檢測(cè)方法。類(lèi)比詞嵌入方法,本研究將特征信息轉(zhuǎn)化為實(shí)數(shù)向量形式,并作為神經(jīng)網(wǎng)絡(luò)的輸入,本研究把這種形式稱(chēng)為“特征嵌入”。這種方式一定程度上緩解了語(yǔ)言特征離散化表示在自然語(yǔ)言處理任務(wù)中帶來(lái)的“語(yǔ)義鴻溝”問(wèn)題。此外,在訓(xùn)練過(guò)程中,該方法利用目標(biāo)函數(shù)減弱錯(cuò)誤特征對(duì)模型的影響,進(jìn)而削弱錯(cuò)誤傳遞帶來(lái)的負(fù)面作用。實(shí)驗(yàn)...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３－１處理候選觸發(fā)詞Ｗ的框架圖??像處理的方式，稱(chēng)該二維實(shí)數(shù)矩陣為“特征圖像”，如圖３－１所示，其中，卷積神經(jīng)??

結(jié)合特征優(yōu)化與負(fù)樣本采樣的事件檢測(cè)方法研宄?第二章基于語(yǔ)言學(xué)特征和卷積神經(jīng)網(wǎng)絡(luò)模型事件檢測(cè)方法??＜少，々－．．Ｍ?ｈ?〇／??＂稱(chēng)，坨鳳�！�?，／ｐ??，?—－白?Ｊ?曰．，????Ｊ?Ｊ?＾??１?Ｃｏｎｖ．?Ｌａｙｅｒ?＾－Ａｃｔｉｖ．?Ｌａｙｅｒ?＜＆?Ｍａｘ?....

圖３－２局部感知技術(shù)??

第二章基于語(yǔ)ｎ學(xué)特征和卷積神經(jīng)網(wǎng)絡(luò)模型事件檢測(cè)方法?結(jié)合特征優(yōu)化與負(fù)樣本采樣的事件檢測(cè)方法研究??

圖４－２觸發(fā)器識(shí)別和事件分類(lèi)任務(wù)中精度與召回之間的差距??

ｒｉｇｇｅｒ?Ｔｒｉｇｇｅｒ．?Ｔｒｉｇｇｅｒ?Ｔｒｉｇｇｅｒｓ?Ｔｒｉｇｇｅｒ?Ｔｒｉｇｇｅｒ＋?Ｔｒｉｇｇｅｒ?Ｔｒｉｇｇｅｒ＋?Ｔｒｉｇｇｅｒ?Ｔｒｉｇｇｅｒ＋?Ｔｒｉｇｇｅｒ?Ｔｒｉｇｇｅｒ＋?Ｔｒｉｇｇｅｒ?Ｔｒｉｇｇｅｒ＋??Ｔｙｐｅ＾ｙ?Ｔｙｐｅ＾ｙ?（?Ｔｙｐｅ?....

圖５－１基于強(qiáng)化學(xué)習(xí)模型的負(fù)例樣本選擇方法架構(gòu)圖??

第五章基于負(fù)樣本采樣的事件檢測(cè)優(yōu)化方法?結(jié)合特征優(yōu)化與負(fù)樣本采樣的事件檢測(cè)方法研究??春…?ｎ?眷?＿?＿＿?動(dòng)作序列??個(gè)?獎(jiǎng)勵(lì)?ｔ??分類(lèi)網(wǎng)絡(luò)雛＾?策略網(wǎng)絡(luò)??Ｘ?Ｘ?Ｘ?Ｘ?Ａ?Ａ?ｔ??—？?—？?—？?—？?—＊?—?？?？?狀態(tài)序列??…?ｔ??———■＊—?＊?４?....

本文編號(hào)：3895060