實體關系抽取是自然語言處理領域中的重要任務之一,同時也是知識圖譜構建過程中的關鍵一步。實體關系抽取的目的是從自然語言文本中提取出實體之間的關聯(lián)關系,從而把實體聯(lián)系起來,形成以三元組為知識單元的網(wǎng)狀知識庫,成為知識圖譜的知識來源。在實體關系抽取領域,已經(jīng)有很多的方法提出來,但是仍然存在各種問題。本文通過深入研究各種關系抽取方法,針對企業(yè)圖譜構建這一實際目標,提出了兩種基于深度學習的關系抽取模型。由于目前的研究主要是基于英文數(shù)據(jù)集的,而且中文標準數(shù)據(jù)集缺乏。本文通過網(wǎng)絡爬蟲的方式,并利用遠程監(jiān)督的方法構建了一個用于企業(yè)關系抽取的數(shù)據(jù)集。數(shù)據(jù)的主要來源是上市公司公告和企業(yè)新聞。為了使實驗更具有說服力,本文在最后的實驗階段,還使用了一個標準的英文關系抽取數(shù)據(jù)集。傳統(tǒng)的關系抽取方法通常需要制定大量的規(guī)則,或者構造復雜的特征工程,隨著深度學習的發(fā)展,基于深度學習的關系抽取算法漸漸被提出來了。本文在目前研究的基礎上,提出了兩種改進的基于深度學習的關系抽取模型。第一種模型是BiGRU-CNN模型,該模型是將BiGRU網(wǎng)絡和CNN網(wǎng)絡以串聯(lián)的方式組合,同時利用了CNN網(wǎng)絡和RNN網(wǎng)絡的優(yōu)勢。另一種模型是...

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖2-1基于傳統(tǒng)模式匹配方法的信息抽取系統(tǒng)體系結構

東南大學碩士學位論文8圖2-1基于傳統(tǒng)模式匹配方法的信息抽取系統(tǒng)體系結構上述部分并不是每個信息抽取系統(tǒng)必須包含的。圖2-1為基于傳統(tǒng)模式匹配方法的信息抽取系統(tǒng)體系結構。在知識圖譜構建中，實體消歧和共指消解被劃分到知識融合而不是信息抽取中。2.1.2關系抽取任務中的相關概念基本概念....

圖2-2基于機器學習的關系抽取流程

11圖2-2基于機器學習的關系抽取流程機器學習的分類算法有：樸素貝葉斯，邏輯斯諦回歸，最近鄰算法，決策樹，支持向量機，最大熵模型等等。在關系抽取任務中，最常用的機器學習算法是邏輯斯諦回歸算法、支持向量機和最大熵模型。下面簡要描述三種分類器。邏輯斯諦回歸：邏輯斯諦回歸分類器是一種廣....

圖2-3邏輯斯諦分布的分布函數(shù)和密度函數(shù)

11圖2-2基于機器學習的關系抽取流程機器學習的分類算法有：樸素貝葉斯，邏輯斯諦回歸，最近鄰算法，決策樹，支持向量機，最大熵模型等等。在關系抽取任務中，最常用的機器學習算法是邏輯斯諦回歸算法、支持向量機和最大熵模型。下面簡要描述三種分類器。邏輯斯諦回歸：邏輯斯諦回歸分類器是一種廣....

圖2-4SVM示意圖

13隔的分離超平面。對于線性可分離的訓練數(shù)據(jù)集，存在無限多個線性可分離的超平面。但是，具有最大幾何間距的超平面是唯一的。圖2-4SVM示意圖如圖2-4所示，其中的實線就是SVM最優(yōu)分類超平面，距離該超平面最近的樣本點被稱為“支持向量機”�？紤]如何找到具有最大幾何間距的另一個超平面....

本文編號：3996494