隨著知識圖譜構建技術的日益完善,越來越多基于知識圖譜的應用開始出現(xiàn)。人們的目光開始從通用領域知識圖譜轉向垂直領域知識圖譜。垂直領域知識圖譜的領域性較強,根據(jù)業(yè)務需求會存在不同的數(shù)據(jù)類型以及數(shù)據(jù)模式。關系抽取是信息抽取任務中子任務,是構建知識圖譜的關鍵步驟之一,意圖從非結構化的數(shù)據(jù)中獲得已識別實體的關系并對知識圖譜進行填充。本文主要對知識圖譜構建中關系抽取這一任務進行研究,針對不用類型的電力文本,使用不同的關系抽取方法進行電力領域實體三元組抽取,并繪制圖譜。本文從兩個方面進行研究:(1)針對電力調度管理規(guī)程文本,本文采用依存句法分析的方法對實體三元組進行抽取。通過對抽取實體進行補全以及對于長難句并列結構的處理,基于基本的漢語語法結構,圍繞核心動詞自動抽取了較為準確的實體三元組。結果證明對于文章結構特征明顯但句子結構復雜的電力調度管理規(guī)程文本,基于依存句法分析的關系抽取方法依舊可以較好的效果。最后將自動抽取結果同文本中的結構化數(shù)據(jù)結合繪制知識圖譜。(2)針對網(wǎng)上可獲取的大量數(shù)據(jù),本文采用遠程監(jiān)督方法構建了一個電力領域用于實體關系抽取的數(shù)據(jù)集。分別對比了雙向長短期記憶網(wǎng)絡、卷積神經(jīng)網(wǎng)絡以及分...

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

圖1-1基于機器學習的關系抽取流程圖

中國地質大學（北京）碩士學位論文3方法構建了醫(yī)學中疾病和病癥之間的關系的語料庫。首先對疾病以及病癥的實體進行識別，然后根據(jù)依存句法獲取模板，最終通過人工校對得到了較為均衡的疾病與病癥的實體關系抽取訓練集。基于規(guī)則的方法可以獲取較高的準確率，但是由于所獲得的一系列模板只能對部分語句....

圖2-1CBOW模型結構示意圖

中國地質大學（北京）碩士學位論文11通過使用線性映射得到了概念的隱含空間表達。Mikolov[33][34]等人于2013年提出目前普遍使用兩個模型：連續(xù)詞袋模型（ContinuousBagofWord，CBOW）以及連續(xù)跳躍語法模型（ContinuousSkip-Gram）。圖....

圖2-2Skip-gram模型結構示意圖

相關理論基礎12圖2-2Skip-gram模型結構示意圖2.2卷積神經(jīng)網(wǎng)絡卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetwork，CNN）于1995年由YannLeCun[35]首次提出。卷積神經(jīng)網(wǎng)絡是一種深層的前饋神經(jīng)網(wǎng)絡，具有局部感受野、權值共享以及池化三個重要思....

圖2-3LeNet-5卷積神經(jīng)網(wǎng)絡結構示意圖[36]

相關理論基礎12圖2-2Skip-gram模型結構示意圖2.2卷積神經(jīng)網(wǎng)絡卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetwork，CNN）于1995年由YannLeCun[35]首次提出。卷積神經(jīng)網(wǎng)絡是一種深層的前饋神經(jīng)網(wǎng)絡，具有局部感受野、權值共享以及池化三個重要思....

本文編號：3931928