英文事件抽取关键问题研究

发布时间：2024-02-15 07:09

　　事件抽取是以事件为单位进行信息抽取的起点,具有较高的理论与应用价值。目前相关研究首先过度注重语句,而忽视了文档级别信息;其次面对多类型事件句,难以有效识别事件类型;最后注重事件识别与论元识别的管道模型,从而导致了错误传播。针对上述问题,本文主要研究内容包括以下三个方面:首先,本文提出一种借助注意力机制将局部的字符、词、实体与全局的文档中事件的共现等信息统一建模的序列到序列事件识别方法。在LDC2017E02语料上实验结果表明,该方法能有效提高事件识别性能。其次,面对多类型事件识别困难问题,本文提出了一种融合ELMo的图卷积网络事件识别方法。该方法能借助依存分析建立事件之间的联系,并利用图卷积网络对依存分析结果进行学习。实验结果表明,该方法能进一步提升事件识别的性能。最后,由于语料规模问题,本文提出了一种融合局部特征与图卷积的事件抽取联合模型。该方法通过图卷积网络学习事件间的联系,及通过记忆单元学习事件论元与事件类型间的语义联系。在TAC KBP 2016测试集上的实验结果表明,该联合抽取模型能有效提高事件识别与论元识别的性能。

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图２－２?ＬＳＴＭ网络结构??１２??

第二章相关知识?英文事件抽取关键问题研究??在全连接前馈神经网络中，假设第ｋ层有沪个神经元，第ｋ－１层有个神经??元，连接边有ｎｆｃｘｎ（／ｃ＿１），权重矩阵也有ｎｆｃｘｎ（ｆｃ＿１）个参数。而ＣＮＮ通过局部连接把??连接边变为个连接，ｍ为滤波器的大小；然后通过权重共享，使得卷积....

图２－３?ＥＬＭｏ网络结构??

英文事件抽取关键问题研究?第二章相关知识??ＥＬＭｏｋ?＝?ａ＾Ｓｊｈ１＾?（２－１６）??其中，ｓ＾Ｓｏｆｍａｘ输出结果，Ｌ为Ｂｉ－ＬＳＴＭ层数，／ｉｇ为每层Ｂｉ－ＬＳＴＭ是输出。??Ｅｌ＼?Ｅｌ２?．．．?Ｅｉｎ??ｚｚ?＞?＼？＞＊＜ｒ、、、？??—Ｋ＾ｓｔｍ＾）?￣＊？—....

图２－４?ＳＶＭ分类模型??１２

第二章：ｔＲ关知识?英文事件抽取关键问题研究??ｗＴＸｉ?＋?ｂ?＞ｌ，ｙｉ＝ｌ?（２－１８）??ｗＴＸｉ?＋?ｂ?＜?－１，?ｙｔ?＝?－１??ｆ??ｘ＾］?參??ｐ．．．??ｙ／Ｋｒ／ｏ??ｌ．：Ｄ??ｌｋｌ｜?Ｚ??图２－４?ＳＶＭ分类模型??寻找最大间隔的划分超平面，需要....

图３－２?ＣＮＮ提取字符向量不意图??

英文事件抽取关键问题研究?第三章结合图卷积的基于序列到序列框架的事件识別??其中，ｎ是句子含有词的长度，％为句子中的单词，ｋ是窗口大小，ｄｏｃ是包含??训练数据的向量，通常随机初始化。??Ａ?ｔ?ｔ?ｃ?ｋ??—?—?—?—?—?Ｃｈａｒ??Ｅｍｂｅｄｄｉｎｇ??Ｖ?Ｊｘ?Ｗ?Ｊ....

本文编号：3899429