事件共指消解在于能正確識(shí)別篇章中各個(gè)事件間存在的共指關(guān)系,作為信息抽取的一項(xiàng)重要子任務(wù),對(duì)話題檢測(cè)、文本摘要、機(jī)器翻譯等自然語(yǔ)言處理（Natural Language Processing,NLP）任務(wù)具有一定的指導(dǎo)意義。針對(duì)事件共指消解任務(wù),本文基于深度學(xué)習(xí)模型,挖掘事件句中深層語(yǔ)義信息,并結(jié)合事件共指關(guān)系特點(diǎn),構(gòu)建事件共指消解框架。目前,針對(duì)事件共指消解的研究,主要集中在英文和中文方面,并未開(kāi)展針對(duì)維吾爾語(yǔ)小語(yǔ)種方面的研究。同時(shí),在研究事件共指消解任務(wù)的過(guò)程中發(fā)現(xiàn),合理利用深層語(yǔ)義信息,建立有效的事件表示能促進(jìn)事件共指消解的研究。詳細(xì)工作如下:（1）在沒(méi)有特征工程和語(yǔ)言規(guī)則約束的情況下,對(duì)事件句采用雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Bi-directional long short term memory,Bi-LSTM）進(jìn)行語(yǔ)義建模,挖掘事件句深層語(yǔ)義信息;利用神經(jīng)張量網(wǎng)絡(luò)（Neural Tensor Network,NTN）探索事件間的隱藏語(yǔ)義關(guān)聯(lián);同時(shí)根據(jù)事件表達(dá)特點(diǎn),引入基于事件觸發(fā)詞的主題向量,通過(guò)多層語(yǔ)義表示融合得到最終的多層次事件向量表示,最終F值達(dá)到74.20%。（2）借助門限機(jī)... 

【文章來(lái)源】：新疆大學(xué)新疆維吾爾自治區(qū) 211工程院校

【文章頁(yè)數(shù)】：43 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 引言
    1.1 研究背景
    1.2 研究意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
    1.4 本文主要研究?jī)?nèi)容
    1.5 論文的組織結(jié)構(gòu)
第二章 相關(guān)知識(shí)介紹
    2.1 事件相關(guān)知識(shí)介紹
    2.2 常用語(yǔ)料庫(kù)
    2.3 候選事件對(duì)抽取
第三章 基于張量神經(jīng)網(wǎng)絡(luò)和主題向量的事件共指消解方法
    3.1 方法介紹
    3.2 模型介紹
        3.2.1 詞向量表示層
        3.2.2 Bi-LSTM層
        3.2.3 神經(jīng)張量網(wǎng)絡(luò)層
    3.3 模型訓(xùn)練
    3.4 實(shí)驗(yàn)準(zhǔn)備
    3.5 實(shí)驗(yàn)分析
        3.5.1 實(shí)驗(yàn)設(shè)計(jì)
        3.5.2 不同模型的事件共指消解性能對(duì)比
        3.5.3 張量切片數(shù)目對(duì)性能的影響
        3.5.4 可視化分析
    3.6 本章小結(jié)
第四章 基于門限卷積神經(jīng)網(wǎng)絡(luò)的事件共指消解方法
    4.1 方法介紹
    4.2 特征抽取
    4.3 模型介紹
        4.3.1 詞向量層
        4.3.2 GCNN層
    4.4 實(shí)驗(yàn)分析
        4.4.1 實(shí)驗(yàn)設(shè)計(jì)
        4.4.2 詞向量維度對(duì)消解效果的影響
        4.4.3 手工特征對(duì)消解效果的影響
        4.4.4 GCNN與其他模型消解效果對(duì)比
    4.5 本章小結(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
作者攻讀碩士期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計(jì)算機(jī)研究與發(fā)展. 2013(09)

博士論文
[1]面向事件的知識(shí)處理研究[D]. 付劍鋒.上海大學(xué) 2010



本文編號(hào)：2979147