事件檢測針對自由文本實現(xiàn)事件表述語言的提取和結構化數(shù)據(jù)的組織(如提取觸發(fā)詞并進行類型標記)。在事件檢測過程中,同一個單詞(觸發(fā)詞候選)在不同上下文環(huán)境中可能觸發(fā)不同的事件類型,而神經網絡方法依賴的詞向量只有一種形式,從而無法表征不同的上下文信息。此外,在模型訓練過程中,上下文中的虛假特征使得觸發(fā)詞識別會出現(xiàn)偏差。同時,通過觀察ACE2005語料(國際權威事件抽取評測數(shù)據(jù))發(fā)現(xiàn),該語料的事件類別和正負樣例分布欠缺平衡性,導致模型對測試集進行事件檢測時,如果表征該事件類型的觸發(fā)詞在訓練集中出現(xiàn)次數(shù)較少,則該類觸發(fā)詞往往不能被賦予真正的事件類型。為此,本研究通過以下方法解決上述問題:(1)一種基于語言學特征和卷積神經網絡模型的事件檢測方法本研究提出一種新的基于語言學特征和卷積神經網絡模型的事件檢測方法。類比詞嵌入方法,本研究將特征信息轉化為實數(shù)向量形式,并作為神經網絡的輸入,本研究把這種形式稱為“特征嵌入”。這種方式一定程度上緩解了語言特征離散化表示在自然語言處理任務中帶來的“語義鴻溝”問題。此外,在訓練過程中,該方法利用目標函數(shù)減弱錯誤特征對模型的影響,進而削弱錯誤傳遞帶來的負面作用。實驗...

【文章頁數(shù)】：78 頁

【學位級別】：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，稱該二維實數(shù)矩陣為“特征圖像”，如圖３－１所示，其中，卷積神經??

結合特征優(yōu)化與負樣本采樣的事件檢測方法研宄?第二章基于語言學特征和卷積神經網絡模型事件檢測方法??＜少，々－．．Ｍ?ｈ?〇／??＂稱，坨鳳�！�?，／ｐ??，?—－白?Ｊ?曰．，????Ｊ?Ｊ?＾??１?Ｃｏｎｖ．?Ｌａｙｅｒ?＾－Ａｃｔｉｖ．?Ｌａｙｅｒ?＜＆?Ｍａｘ?....

圖３－２局部感知技術??

第二章基于語ｎ學特征和卷積神經網絡模型事件檢測方法?結合特征優(yōu)化與負樣本采樣的事件檢測方法研究??

圖４－２觸發(fā)器識別和事件分類任務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基于強化學習模型的負例樣本選擇方法架構圖??

第五章基于負樣本采樣的事件檢測優(yōu)化方法?結合特征優(yōu)化與負樣本采樣的事件檢測方法研究??春…?ｎ?眷?＿?＿＿?動作序列??個?獎勵?ｔ??分類網絡雛＾?策略網絡??Ｘ?Ｘ?Ｘ?Ｘ?Ａ?Ａ?ｔ??—？?—？?—？?—？?—＊?—?？?？?狀態(tài)序列??…?ｔ??———■＊—?＊?４?....

本文編號：3895060