基于深度学习的英文关系体抽取

发布时间：2024-06-13 23:51

　　关系体抽取,即实体关系抽取,常用于问答系统和知识图谱构建等应用,是信息抽取领域中基础且重要的环节。本文主要讲述了结合ResNet、RNN以及Attention机制去完成关系体抽取任务。就目前而言,很多有效的实验普遍仅使用CNN作为encoder,经过多层卷积操作后,对池化的结果进行softmax分类。而本文使用RNN,并结合Attention机制对最后的结果做分类。在这个任务上很少有人将两者结合起来去做关系体抽取任务。本文模型用RNN结合Attention对卷积后的结果进行处理,而不是使用卷积神经网络的最大池化。此模型提高了使用深层CNN在远程监督的关系体抽取任务上的表现。有论文指出在完全监督的数据集Sem Eval-task8上使用RNN接卷积操作是有效果的,而在远程监督的数据集上受大量噪声影响,模型的效果并不尽人意。在本文实验中,结合ResNet残差块的特性,将残差块和RNN以及A ttention机制同时用于远程监督的关系体抽取当中去。最终,在NYT-Freebase数据集上获得的表现比使用单一模型ResNet的更要好。本文主要的贡献如下:(1)在弱监督关系体抽取考虑使用复合模型...

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图1.1论文组织结构

图2.1锚定Fig2.1Anchored

图3.1神经网络Fig3.1ArtificialNeuralNetwork

Fig3.1ArtificialNeuralNetwork，人工神经元之间的连接处的信号是实数，线性函数来计算。人工神经元之间的联系称些权重在学习过程中做调整。权重的改变意有阈值，当聚合信号超过该阈值时才发送信对输入执行着不同的操作。信号在多次遍历输出层），即前向传播，如....

图3.2前向传播Fig3.2Forwardpropagation

图3.1神经网络Fig3.1ArtificialNeuralNetwork现中，人工神经元之间的连接处的信号是实数，并且的非线性函数来计算。人工神经元之间的联系称为“边，这些权重在学习过程中做调整。权重的改变意味着元具有阈值，当聚合信号超过该阈值时才发送信号。的层对....

本文编号：3993833