基于神经网络的命名实体识别与实体关系联合抽取

发布时间：2022-08-11 21:42

　　随着网络信息化的逐步发展,非结构化的文本信息不断增长,如何对大量产生的非结构化文本信息进行有效的处理成为研究的热点。信息抽取技术因其能够从非结构化的文本信息中进行结构化抽取,受到学者们的广泛关注。其中,命名实体识别与实体关系抽取作为信息抽取领域的重要课题,目前解决这个问题的方法主要分为两类:串联抽取和联合抽取。串联抽取方法是通过首先进行命名实体识别,再进行实体关系抽取。这种抽取方式将命名实体识别与实体关系抽取定义为两个相互独立的子任务,它的优点是各个模块之间相互独立、灵活度较高且易于实现。但是,它忽略了两个任务之间的内在联系,而且通过串联抽取方法进行命名实体识别的结果会直接影响到后续进行的实体关系抽取,极易产生误差累积。联合抽取方法旨在构建联合抽取模型,当命名实体识别与实体关系抽取之间存在较强内在联系或依赖关系时,联合抽取模型能够更好的整合两者之间的信息,降低各个中间步骤产生的错误,进而提升抽取模型的性能。本文通过充分分析命名实体识别与实体关系联合抽取方法的研究现状,对目前在命名实体识别与实体关系联合抽取领域效果显著的几种方法进行分析与实验,依据传统联合抽取模型存在的不足,本文提出以下... 

【文章页数】：42 页

【学位级别】：硕士

【部分图文】：

LSTM模型

长短时记忆模块

BiLSTM模型


本文编号：3675443