基于神经网络的关系抽取关键技术研究

发布时间：2024-04-10 21:38

　　近年来,随着人工智能相关技术的兴起,自然语言处理领域的诸多方向也得到了长足的发展,并且相辅相成地进一步促进了人工智能相关技术的进步。在众多自然语言处理任务中,关系抽取任务因其广泛的应用场景而受到密切的关注。关系抽取任务旨在提取句子中两个实体之间的可能关系,是众多高阶自然语言处理任务的基础工作。同时,关系三元组「实体,关系,实体」是组成知识库的基本知识单元,因此关系抽取也是知识库补全的重要工具,是未来以知识驱动的人工智能的重要奠基工作。经过近几?年的长足发展,关系抽取任务的相关研究已经达到了较高水平。现代关系抽取研究的进一步发展通常面临一个核心问题和一个严峻挑战。核心问题是:在复杂关系抽取场景中,如何提高关系特征拟合的精确度。严峻挑战是:在关系规模快速扩张后,如何使用自动化构建的数据集进行有效的关系抽取训练。关系特征拟合的精确度是关系抽取任务中最为核心的部分。在神经网络技术被证明具有强大的特征拟合能力之后,一系列的神经网络模型被应用到关系抽取的任务中来,并取得了良好的效果。神经网络模型能够在语义层面上拟合关系特征,对于复杂的隐式关系表达更加敏感。同时,无需手工设计特征的优点使得基于神经网...

【文章页数】：144 页

【学位级别】：博士

【部分图文】：

图2–4主动学习工作流

斜鹜?纭Ａ礁鐾?缦嗷ザ钥埂⒉欢系髡?问??钪漳康氖鞘古斜鹜?络无法判断生成网络的输出结果是否真实。至此，我们将得到一个深谙数据分布的生成网络，产生足够以假乱真的数据。生成对抗网络能够在较少样本的情况下，通过训练良好的生成网络来生成数据。因此，生成对抗网络被广泛应用在图片生成[11....

图1–1基于神经网络的句子编码器

神经关系抽取指基于神经网络的关系抽取技术1。神经关系抽取的兴起源自神经网络模型在图像识别领域取得的巨大成功,深度卷积神经网络(CNN)在图像识别的基准任务ImageNet上取得了革命性的提升[18]。自此之后深度神经网络模型开始统治图像识别领域的各类任务。受到图像识别领域成功应用....

图1–2远程监督关系抽取工作流

根据定义可知,远程监督的关系抽取方法不再依赖手工标注的数据集,提高了关系抽取解决方案的自动化程度,使得大规模关系抽取成为可能。然而,远程监督的方法有明显的缺陷。在很多情况下,其基本假设并不成立,也就是会有大量的错误标注问题。例如,在句子“SteveJobspassedawa....

图1–3研究架构图

本文从四个不同维度出发,系统地研究了关系抽取任务,强调在不同维度上关系抽取任务面临的独特挑战。例如,在模型精度方面我们的研究关注多标签关系识别中重叠特征的提取问题,而在模型效率方面我们的研究重点讨论神经网络模型如何在不损失精度的前提下降低时空复杂性。虽然本研究的四个部分是彼此相对....

本文编号：3950401