事件情节关系识别与推理方法研究
发布时间：2021-05-15 04:36
故事是由一系列事件组成的,故事中事件的整体设计或布局组成了叙事情节结构（plot structure）。利用叙事情节结构组织事件是一个非常自然的想法,这是因为人们就是通过这种方式讲述故事的。本文关注叙事情节结构中事件之间的连接关系,即事件情节关系。事件情节关系是事件之间的解释性关系,它能够表示在叙事中事件之间有意义的连接关系。事件情节关系的识别对于多种自然语言理解任务具有重要的意义,例如文章自动摘要、问答系统和事件共指消解等。事件情节关系识别是一个较新的课题,在已有的工作中关于自动化事件情节关系识别方法的研究较少。本文研究主要关注事件情节关系识别与推理的自动化方法,研究内容如下:（1）基于局部预测的事件情节关系识别方法本文提出了基于局部预测的事件情节关系识别方法。该方法以事件对为基础,对多种特征进行抽取用于训练机器学习概率预测模型,从而预测事件情节关系的分类概率分布。实验结果表明,与基线方法相比,该方法的分类概率分布预测效果较好。（2）基于全局优化的事件情节关系识别方法在基于局部预测的事件情节关系识别方法的基础上,本文提出了基于全局优化的事件情节关系识别方法。该方法基于整数线性规划模型...
【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 研究现状与相关工作
1.2.1 故事线模型与事件情节关系与叙事情节结构
1.2.2 时间线构建
1.2.3 全局优化与事件要素与多任务联合推理
1.3 本文研究内容
1.4 论文组织结构
第二章 背景知识
2.1 事件情节关系
2.2 ECB+数据集和ESC数据集
2.3 对数几率回归模型
2.4 Softmax回归模型
2.5 整数线性规划
2.6 本章小结
第三章 基于局部预测的事件情节关系识别方法
3.1 方法概述
3.2 基于局部预测的事件情节关系识别方法整体流程
3.3 候选事件类型过滤
3.4 预处理
3.4.1 输入数据处理
3.4.2 自然语言处理标注
3.5 特征抽取
3.5.1 自然语言特征
3.5.2 时序特征
3.6 概率预测模型
3.7 本章小结
第四章 基于全局优化的事件情节关系识别方法
4.1 方法概述
4.2 基于全局优化的事件情节关系识别方法整体流程
4.3 打分函数与优化目标
4.3.1 打分函数
4.3.2 优化目标
4.4 基本约束
4.4.1 事件情节关系一致性
4.4.2 共指一致性
4.4.3 关系唯一性
4.5 反传递性约束
4.5.1 约束定义
4.5.2 线性约束形式转换
4.6 本章小结
第五章 事件情节关系与事件要素联合推理
5.1 方法概述
5.2 事件情节关系与事件要素联合推理整体流程
5.3 基于局部预测的事件参与者、地点要素与事件关联关系识别方法
5.3.1 类型过滤方法
5.3.2 概率预测模型
5.4 打分函数与优化目标
5.4.1 打分函数
5.4.2 优化目标
5.5 事件的时间要素相关约束
5.6 事件的参与者、地点要素相关约束
5.6.1 事件参与者、地点要素基本约束
5.6.2 事件参与者、地点要素数量限制约束
5.6.3 事件参与者、地点要素联合推理约束
5.7 本章小结
第六章 实验验证与分析
6.1 实验数据集
6.2 实验设置
6.2.1 事件情节关系识别任务
6.2.2 事件参与者、地点要素与事件关联关系识别任务
6.3 实验结果
6.4 约束分离实验
6.5 模型与参数实验
6.5.1 基于局部预测的关系识别方法模型实验
6.5.2 反传递性约束参数实验
6.6 实验结果分析与讨论
第七章 总结与展望
7.1 本文总结
7.2 未来展望
致谢
参考文献
简历与科研成果
【参考文献】：
期刊论文
[1]事件因果与时序关系识别的联合推理模型[J]. 黄一龙,李培峰,朱巧明. 计算机科学. 2018(06)
本文编号：3186962
【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 研究现状与相关工作
1.2.1 故事线模型与事件情节关系与叙事情节结构
1.2.2 时间线构建
1.2.3 全局优化与事件要素与多任务联合推理
1.3 本文研究内容
1.4 论文组织结构
第二章 背景知识
2.1 事件情节关系
2.2 ECB+数据集和ESC数据集
2.3 对数几率回归模型
2.4 Softmax回归模型
2.5 整数线性规划
2.6 本章小结
第三章 基于局部预测的事件情节关系识别方法
3.1 方法概述
3.2 基于局部预测的事件情节关系识别方法整体流程
3.3 候选事件类型过滤
3.4 预处理
3.4.1 输入数据处理
3.4.2 自然语言处理标注
3.5 特征抽取
3.5.1 自然语言特征
3.5.2 时序特征
3.6 概率预测模型
3.7 本章小结
第四章 基于全局优化的事件情节关系识别方法
4.1 方法概述
4.2 基于全局优化的事件情节关系识别方法整体流程
4.3 打分函数与优化目标
4.3.1 打分函数
4.3.2 优化目标
4.4 基本约束
4.4.1 事件情节关系一致性
4.4.2 共指一致性
4.4.3 关系唯一性
4.5 反传递性约束
4.5.1 约束定义
4.5.2 线性约束形式转换
4.6 本章小结
第五章 事件情节关系与事件要素联合推理
5.1 方法概述
5.2 事件情节关系与事件要素联合推理整体流程
5.3 基于局部预测的事件参与者、地点要素与事件关联关系识别方法
5.3.1 类型过滤方法
5.3.2 概率预测模型
5.4 打分函数与优化目标
5.4.1 打分函数
5.4.2 优化目标
5.5 事件的时间要素相关约束
5.6 事件的参与者、地点要素相关约束
5.6.1 事件参与者、地点要素基本约束
5.6.2 事件参与者、地点要素数量限制约束
5.6.3 事件参与者、地点要素联合推理约束
5.7 本章小结
第六章 实验验证与分析
6.1 实验数据集
6.2 实验设置
6.2.1 事件情节关系识别任务
6.2.2 事件参与者、地点要素与事件关联关系识别任务
6.3 实验结果
6.4 约束分离实验
6.5 模型与参数实验
6.5.1 基于局部预测的关系识别方法模型实验
6.5.2 反传递性约束参数实验
6.6 实验结果分析与讨论
第七章 总结与展望
7.1 本文总结
7.2 未来展望
致谢
参考文献
简历与科研成果
【参考文献】：
期刊论文
[1]事件因果与时序关系识别的联合推理模型[J]. 黄一龙,李培峰,朱巧明. 计算机科学. 2018(06)
本文编号：3186962
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3186962.html
