基于文本的实体关系抽取以及知识图谱的表示推理方法研究

发布时间：2023-02-14 14:21

　　随着信息通信技术特别是移动互联网的快速发展,人类逐渐进入数据大爆炸的时代,每天都会有海量的数据和知识产生。面对海量的数据,用户如何快速高效地获得有用的知识,成为了这个时代热门的课题和棘手的难题。把海量的无结构化文本数据以知识图谱的形式存储表征,成为现在一种主流的知识存储方式。在这一过程中从文本中抽取实体和关系以及已有知识图谱的推理和表示成为了知识图谱能够更好应用于具体领域的关键技术,因此本文的研究内容如下:1、针对现有实体关系联合抽取方法,底层语义编码过于简单,不能充分表征上下文语义的问题。本文通过在底层编码阶段加入多头注意力机制,同时把不同编码层训练出的语义表征拼接,从而在编码层实现更加丰富的语义表示,最终达到提升上层解码阶段的实体关系识别的效果。2、知识图谱中表示学习方法主要是以TransE方法为代表的翻译方法,它是把实体关系映射到低维连续的张量空间中,但是现有的翻译方法不能准确地表征复杂关系的三元组,比如一对多,多对一,多对多关系。针对基线方法局限性,提出了一种基于嵌入非对称的知识表示推理方法(AEM)。本文提出的AEM方法把头实体和尾实体映射到同一关系空间中的不同的子空间中,可...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
学位论文数据集
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究的背景和意义
    1.2 国内外研究现状
        1.2.1 实体关系的抽取
        1.2.2 知识图谱的表示和推理
    1.3 主要研究工作及创新点
    1.4 论文组织结构
第二章 相关技术和算法
    2.1 词向量表示
    2.2 循环神经网络
    2.3 卷积神经网络
    2.4 注意力机制
    2.5 本章小结
第三章 基于丰富语义的实体关系联合抽取方法
    3.1 现有实体关系抽取方法存在的问题
    3.2 基于丰富语义的实体关系联合抽取方法
        3.2.1 方法的总体框架
        3.2.2 词典嵌入向量表示模块
        3.2.3 基于上下文的嵌入表示模块
        3.2.4 基于双向长短时记忆神经网络的编码层
        3.2.5 多层语义表征机制
        3.2.6 基于单向长短时记忆神经网络的解码层
        3.2.7 目标函数
    3.3 训练超参
    3.4 实验
        3.4.1 数据集
        3.4.2 评价指标
        3.4.3 实验结果分析
            3.4.3.1 字典语义嵌入模块对方法效果的影响
            3.4.3.2 双向长短时记忆循环神经网络模块对方法效果的影响
            3.4.3.3 基于上下文语义嵌入模块对方法效果的影响
            3.4.3.4 多层语义连接模块对方法的影响
    3.5 本章小结
第四章 基于嵌入非对称的知识表示推理方法
    4.1 现有知识表示和推理方法存在的问题
    4.2 基于嵌入非对称的知识表示推理方法
        4.2.1 得分函数
        4.2.2 目标函数
        4.2.3 方法详细实现过程
    4.3 不同方法间的空间时间复杂度对比
    4.4 训练参数和实验环境
    4.5 实验
        4.5.1 数据集
        4.5.2 实现任务和评价指标
        4.5.3 实验结果分析
    4.6 本章小结
第五章 基于流形的非对称知识图谱的表示和推理方法
    5.1 AEM方法未能解决的问题
    5.2 基于流形的非对称知识图谱表示和推理方法
        5.2.1 得分函数
        5.2.2 目标函数
        5.2.3 方法的详细训练过程
    5.3 实验参数和实验环境
    5.4 本文提出知识表示方法的时间空间复杂度对比分析
    5.5 实验
        5.5.1 数据集
        5.5.2 实现任务和评价指标
        5.5.3 实验结果分析
    5.6 本章小结
第六章 总结及展望
    6.1 总结
    6.2 展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
附件



本文编号：3742532