實體關系抽取旨在從大規(guī)模語料中抽取給定實體之間的語義關系,是知識庫構建和智能問答等自然語言技術的重要基礎。復述是指自然語言中的同質異構現(xiàn)象,用以描述語義相近但語法結構不同的句子。本文結合復述識別的相關技術,針對關系抽取語料缺乏和關系表征模型信息量不足的問題作出以下優(yōu)化:(1)基于復述約束的遠程監(jiān)督關系抽取針對實體關系抽取訓練語料匱乏的問題,本文提出一種基于復述約束的遠程監(jiān)督關系抽取。首先通過遠程監(jiān)督方法擴展語料,在此基礎上引入關系類型的定義,以定義語句作為關系類型的語義約束,利用復述識別方法,判定擴展樣本與定義語句之間是否存在復述關系,從而對不滿足復述關系的樣本進行過濾。實驗證明該方法優(yōu)于現(xiàn)有前沿的監(jiān)督學習模型性能,并在一定程度上緩解了遠程監(jiān)督帶來的噪聲影響。(2)融合多粒度信息的關系表征模型針對傳統(tǒng)關系抽取模型中的錯誤累積,以及現(xiàn)有深度學習模型在表征能力上不足的問題,本文提出一種融合多粒度信息的卷積循環(huán)神經網絡模型。該模型綜合利用卷積神經網絡抽取多粒度局部特征的優(yōu)勢和循環(huán)神經網絡捕獲序列信息的能力。同時,通過注意力機制、逐元素最大池化等多種融合策略對多粒度特征進行融合。實驗證明,該方法...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

圖３－１方法整體流程圖??３．２．１基于遠程監(jiān)督?

基于復述與多信息融合的關系抽取方法研究?第三章基于復述約束的遠程監(jiān)督關系抽取??３．２算法簡介??本文以遠程監(jiān)督的語料生成方法為基礎，通過復述識別模型度量擴充語料和關系??類型定義的語義相似度，從而對遠程監(jiān)督的結果進行優(yōu)化。本文方法框架如圖３－１所??示，首先通過遠程監(jiān)督方法鏈接....

圖３－２維基百科頁面的丨ｎｆｏ?

第三章基于復述約束的遠程監(jiān)替關系抽取?基于復述與多信總融合的關系抽取方法研究??作為知識庫，將維基百科頁面下的文本描述內容以及紐約時報的新聞語料作為外部語??料庫，用于生成樣本。下面將具體介紹兩種資源以及遠程監(jiān)督方法的具體實現(xiàn)。??圖３－２顯示了維基百科中關于實體“Ｍｆｃｍｓｑ／....

圖３－４樣本過濾算法流程??但是，通過上述方法組織訓練樣本會使得正負例樣本嚴重失衡，因為除了樣本自??

。??本文提出的基于復述約束的樣本過濾模型，將生成樣本是否滿足關系類型定義作??為分類目標。因此，本文將遠程監(jiān)督的生成樣本和關系類型定義進行組合，作為基于??復述約束的樣本過濾模型的分類對象。在訓練過程中，通過組合人Ｔ：標注樣本和關系??類型定義生成訓練樣本。具體地，本文隨機采樣....

圖４－１?ＣＲＮＮ模型框架??４．２．１框架概述??本章的模型框架主要由四部分構成，分別是輸入序列表示、卷積層、聚合層和循??

基于復述與多信總融合的關系抽取方法研宄?第四章融合多粒度信息的關系表征模型??？探宄了多種聚合策略對信息融合的效果。??本章的組織如下：第二節(jié)介紹模型的框架和內部各模塊策略，第三節(jié)給出實驗設??置、實驗結果和分析。??４．２算法簡介??本章的關系抽取模型主要包括如下三部分：卷積層....

本文編號：4042173