知识图谱中的逻辑关系抽取技术研究
发布时间：2022-01-07 01:32
知识图谱作为人工智能技术的重要分支,通过构建大规模语义网络为互联网时代的知识获取和信息处理提供了便捷。随着人工智能技术的不断推进和应用,知识图谱的研究工作也发挥了重要价值。知识图谱构建过程包括了信息抽取、知识融合、知识加工等子过程。关系抽取是信息抽取的子任务,旨在从无结构化文本中抽取实体对之间的关系,形成结构化数据。本文针对少样本数据的关系抽取问题进行研究,提出了基于迁移学习和深度学习模型结合的关系抽取方法,解决了少样本数据条件下的关系抽取问题。主要研究成果如下:1.针对少样本领域关系抽取问题,提出了一种基于分段卷积神经网络和迁移学习的关系抽取方法。该方法结合了迁移学习方法和深度学习模型,利用源域数据在模型中的预训练参数,目标域数据重训练的方式完成关系抽取任务。首先,将文本进行词向量表示,作为网络结构的输入,同时考虑到加入不同特征对于最终关系抽取（分类）结果的影响,本文在文本表示中加入了词嵌入、位置嵌入、词性特征和句法特征。然后将源域数据在模型中进行预训练并保留卷积层参数,最后对卷积层参数进行迁移,并将目标域数据在网络中进行重训练,以提高目标数据最终关系分类结果的准确性。同时使用多粒度...
【文章来源】：重庆邮电大学重庆市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
关系抽取任务示例
重庆邮电大学硕士学位论文第1章绪论31.2国内外研究现状为了探究关系抽取任务的研究重要性，本文调研了与之紧密相关的四个研究领域，它们分别是，知识图谱，信息抽取，迁移学习及深度学习。本节将针对这四个研究方向详细介绍其研究现状。1.2.1知识图谱近年来，人工智能的发展和应用遍布世界的各个领域，而知识图谱以其强大的信息组织能力和语义理解能力连同大数据处理等前沿技术共同推动人工智能产业的蓬勃发展。关于知识图谱的构建与应用等研究课题也逐渐受到研究者的关注。其实，知识图谱并不是全新的研究任务，早在上世纪70年代，专家系统(ExpertSystems)已经成为人工智能的重要分支。它通过人类专家提供知识，并将其映射存储到知识库中进行推理。早期的知识图谱利用领域专家人工构建知识库，实现了较高的准确率，但是其构建过程耗时费力且无法广泛覆盖。1998年，万维网之父TimBernersLee提出语义网(SemanticWeb)[6]的概念，使其通过数据构成的网络，为用户提供经过加工和推理的知识。2012年，谷歌正式提出知识图谱这一概念，从全新的角度为信息检索问题提供了智能化的发展方向。图1.2Google搜索示例
重庆邮电大学硕士学位论文第2章相关理论技术基础11包括实体抽取，关系抽取和属性抽龋所涉及的抽取方法包括，基于启发式算法和人工编写规则的信息抽取方法，基于统计机器学习的信息抽取方法，基于深度学习和神经网络的信息抽取方法，面向开放域的信息抽取方法等。知识融合的目的是消除概念歧义，剔除冗余及错误概念，提高知识的准确性。知识融合包含实体链接和知识合并。实体链接将文本中抽取的实体对象，进行实体消歧，共指消解操作，然后链接到知识库中的对应实体。另外通过第三方知识库或已有结构化知识完成知识合并。外部世界获取的事实并非知识，通过知识加工可以最终形成结构化的知识体系。知识加工包含本体构建，知识推理和质量评估。知识推理算法主要分为基于逻辑的推理，基于图的推理和基于深度学习的推理等。知识图谱的构建过程随着信息的发展和变化也在不断进行更新迭代。图2.1知识图谱技术架构示例2.2关系抽取知识图谱构建过程涉及了信息抽取，知识融合和知识加工等步骤，关系抽取是信息抽取环节中基础且重要的研究课题。目前关系抽取问题研究已经取得了较好的科研成果，本节主要介绍关系抽取相关技术并比较其优缺点。关系抽取，旨在抽取句子中已标记实体对之间的语义关系，形成结构化数据以便开展后续工作。在本文中，关系抽取任务的目的是判断一个句子中所包含的实体对属于哪一种关系，亦或称为关系分类问题。该任务将关系抽取任务转化为多分类问题。下面详细介绍目前的关系抽取相关技术并做对比分析。
【参考文献】：
期刊论文
[1]Relation Classification via Recurrent Neural Network with Attention and Tensor Layers[J]. Runyan Zhang,Fanrong Meng,Yong Zhou,Bing Liu. Big Data Mining and Analytics. 2018(03)
[2]知识图谱研究综述[J]. 李涓子,侯磊. 山西大学学报(自然科学版). 2017(03)
[3]知识图谱研究进展[J]. 漆桂林,高桓,吴天星. 情报工程. 2017(01)
[4]基于词形规则模板的术语层次关系抽取方法[J]. 韩红旗,徐硕,桂婕,乔晓东,朱礼军,安小米. 情报学报. 2013 (07)
[5]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[6]信息抽取研究综述[J]. 李保利,陈玉忠,俞士汶. 计算机工程与应用. 2003(10)
硕士论文
[1]无监督的中文实体关系抽取研究[D]. 王晶.华东师范大学 2012
[2]无监督关系抽取方法研究[D]. 张志田.哈尔滨工业大学 2007
[3]基于条件随机场的中文命名实体识别[D]. 向晓雯.厦门大学 2006
本文编号：3573543
【文章来源】：重庆邮电大学重庆市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
关系抽取任务示例
重庆邮电大学硕士学位论文第1章绪论31.2国内外研究现状为了探究关系抽取任务的研究重要性，本文调研了与之紧密相关的四个研究领域，它们分别是，知识图谱，信息抽取，迁移学习及深度学习。本节将针对这四个研究方向详细介绍其研究现状。1.2.1知识图谱近年来，人工智能的发展和应用遍布世界的各个领域，而知识图谱以其强大的信息组织能力和语义理解能力连同大数据处理等前沿技术共同推动人工智能产业的蓬勃发展。关于知识图谱的构建与应用等研究课题也逐渐受到研究者的关注。其实，知识图谱并不是全新的研究任务，早在上世纪70年代，专家系统(ExpertSystems)已经成为人工智能的重要分支。它通过人类专家提供知识，并将其映射存储到知识库中进行推理。早期的知识图谱利用领域专家人工构建知识库，实现了较高的准确率，但是其构建过程耗时费力且无法广泛覆盖。1998年，万维网之父TimBernersLee提出语义网(SemanticWeb)[6]的概念，使其通过数据构成的网络，为用户提供经过加工和推理的知识。2012年，谷歌正式提出知识图谱这一概念，从全新的角度为信息检索问题提供了智能化的发展方向。图1.2Google搜索示例
重庆邮电大学硕士学位论文第2章相关理论技术基础11包括实体抽取，关系抽取和属性抽龋所涉及的抽取方法包括，基于启发式算法和人工编写规则的信息抽取方法，基于统计机器学习的信息抽取方法，基于深度学习和神经网络的信息抽取方法，面向开放域的信息抽取方法等。知识融合的目的是消除概念歧义，剔除冗余及错误概念，提高知识的准确性。知识融合包含实体链接和知识合并。实体链接将文本中抽取的实体对象，进行实体消歧，共指消解操作，然后链接到知识库中的对应实体。另外通过第三方知识库或已有结构化知识完成知识合并。外部世界获取的事实并非知识，通过知识加工可以最终形成结构化的知识体系。知识加工包含本体构建，知识推理和质量评估。知识推理算法主要分为基于逻辑的推理，基于图的推理和基于深度学习的推理等。知识图谱的构建过程随着信息的发展和变化也在不断进行更新迭代。图2.1知识图谱技术架构示例2.2关系抽取知识图谱构建过程涉及了信息抽取，知识融合和知识加工等步骤，关系抽取是信息抽取环节中基础且重要的研究课题。目前关系抽取问题研究已经取得了较好的科研成果，本节主要介绍关系抽取相关技术并比较其优缺点。关系抽取，旨在抽取句子中已标记实体对之间的语义关系，形成结构化数据以便开展后续工作。在本文中，关系抽取任务的目的是判断一个句子中所包含的实体对属于哪一种关系，亦或称为关系分类问题。该任务将关系抽取任务转化为多分类问题。下面详细介绍目前的关系抽取相关技术并做对比分析。
【参考文献】：
期刊论文
[1]Relation Classification via Recurrent Neural Network with Attention and Tensor Layers[J]. Runyan Zhang,Fanrong Meng,Yong Zhou,Bing Liu. Big Data Mining and Analytics. 2018(03)
[2]知识图谱研究综述[J]. 李涓子,侯磊. 山西大学学报(自然科学版). 2017(03)
[3]知识图谱研究进展[J]. 漆桂林,高桓,吴天星. 情报工程. 2017(01)
[4]基于词形规则模板的术语层次关系抽取方法[J]. 韩红旗,徐硕,桂婕,乔晓东,朱礼军,安小米. 情报学报. 2013 (07)
[5]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[6]信息抽取研究综述[J]. 李保利,陈玉忠,俞士汶. 计算机工程与应用. 2003(10)
硕士论文
[1]无监督的中文实体关系抽取研究[D]. 王晶.华东师范大学 2012
[2]无监督关系抽取方法研究[D]. 张志田.哈尔滨工业大学 2007
[3]基于条件随机场的中文命名实体识别[D]. 向晓雯.厦门大学 2006
本文编号：3573543
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3573543.html
最近更新
教材专著
