隨著網絡上信息的爆炸式增長,需要借助越來越多的信息抽取技術來對文本進行自動化的處理。關系抽取是信息抽取的子任務,主要目標是對實體間的關系進行挖掘。目前在中文語料上,對于生物、醫(yī)學領域或者人物關系類別抽取上的研究較多。隨著“互聯網+黨建”的興起,面向黨建領域數據的實體關系抽取也成為一個需要關注的研究任務,它對構建黨建領域知識圖譜、問答系統(tǒng)和推進我國智慧黨建進程等有十分重要的意義。常用的關系抽取方法包括兩種,一是基于特征向量的方法,它需要人工選取特征,然后將特征轉化為向量輸入到一個合適的機器學習算法中,算法性能的優(yōu)劣會受到特征質量高低的影響。另外一種是基于核函數的方法,它不太適宜使用在數據量規(guī)模較大的數據集上。目前,基于深度學習的關系抽取方法是一個研究熱點,它利用神經網絡自動學習特征,減少了對人工的依賴。因此,如何利用深度學習模型解決黨建領域實體關系抽取問題是本文的研究重點。本文針對黨建領域數據集,提出了一個MA_BGRU模型,即使用BGRU對句子進行建模,并引入Multi-head Attention（多頭注意力機制）,旨在讓模型從不同表示空間上獲取關于句子更多層面的... 

【文章來源】：中國科學院大學(中國科學院沈陽計算技術研究所)遼寧省

【文章頁數】：72 頁

【學位級別】：碩士

【部分圖文】：

職務類別種子詞典Figure3.2Seeddictionaryofposition第二步，每次從詞典中取出一個詞作為互動百科的輸入，同時將該詞標記為

互動百科搜索結果-1Figure3.3InteractiveEncyclopediaSearchResults-1

互動百科搜索結果-2Figure3.4InteractiveEncyclopediaSearchResults-2

【參考文獻】：
期刊論文
[1]基于注意力機制的LSTM的語義關系抽取[J]. 王紅,史金釧,張志偉.  計算機應用研究. 2018(05)
[2]信息化助力社會工作發(fā)展[J]. 鄒學銀.  中國社會工作. 2017(22)
[3]基于句法語義特征的中文實體關系抽取[J]. 郭喜躍,何婷婷,胡小華,陳前軍.  中文信息學報. 2014(06)
[4]實體關系自動抽取[J]. 車萬翔,劉挺,李生.  中文信息學報. 2005(02)

碩士論文
[1]基于深度學習的中文實體關系抽取方法研究[D]. 唐敏.西南交通大學 2018
[2]中文文本實體關系抽取方法研究[D]. 孔兵.哈爾濱工業(yè)大學 2016



本文編號：2987780