基于深度学习和关系路径的微博人物关系提取研究

发布时间：2021-02-20 03:14

　　随着计算机及网络通信技术的发展,互联网技术的飞速发展和Web3.0模式的迭代更新,各类社交媒体平台的出现使得人们能更加方便快捷的获取信息,例如国内的新浪微博、腾讯微博,国外的Facebook、Twitter等,这些社交媒体平台每天都会产生大量的网络文本产生,大量的信息都蕴藏在这些文本中。信息提取就是能自动的从这些非结构文本中提取结构化信息的自然语言处理任务之一,其中提取的结构化信息如“（马云,创始人,阿里巴巴）”的实体三元组能作为构建大规模知识库的知识来源。目前,作为知识主体的人物关系对信息的产生与传播具有重要的影响,研究者们逐渐开始关注人物资源对知识库构建产生的作用,故挖掘人物之间的关系成为一个研究热点。然而,传统的关系提取方法往往依赖大量的特征工程和自然语言处理工具,这样就会伴随着错误传播等问题。深度学习以其强大的计算和上下文语义捕捉能力可自动挖掘文本特征,已经成功应用于自然语言处理领域,很好的解决了传统方法中存在的问题。因此,本文基于深度学习研究了微博人物关系提取,主要工作包括以下几个方面:首先,本文构建了一个微博人物关系提取模型。该模型在卷积神经网络（CNN）的基础之上加入一个... 

【文章来源】：西华大学四川省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

近几年中国网民变化趋势图

容限制在 140 个字符，可以发布图片和视频等信息。这一优势使信息交流的平台。根据微博 2018 年 12 月的财务报告数据，截月活跃用户总数为 4.62 亿，比 2017 年同期增长 37％，移动终端 2 亿[2]，如图 1.2 所示近几年微博的月用户活跃量与日用户活跃

间的知识图谱成为一个研究热点。因此基于知识图谱的搜索逐渐运用在搜索图 1.3 为搜狗人物知识图谱搜索。关系提取任务的分支中，人物关系提取是一较强的关系提取子任务，是构建人物知识图谱的关键技术，对社会关系网络的非常重要的意义。

【参考文献】：
期刊论文
[1]家庭服务机器人知识库的构建[J]. 杨玉,王政博.  电子世界. 2019(06)
[2]中文实体关系抽取研究综述[J]. 武文雅,陈钰枫,徐金安,张玉洁.  计算机与现代化. 2018(08)
[3]实体关系抽取研究综述[J]. 刘绍毓,李弼程,郭志刚,王波,陈刚.  信息工程大学学报. 2016(05)
[4]知识表示学习研究进展[J]. 刘知远,孙茂松,林衍凯,谢若冰.  计算机研究与发展. 2016(02)

硕士论文
[1]基于主题微博的人物实体关系提取研究[D]. 刁云澜.西华大学 2018



本文编号：3042134