面向政治领域的事理演化图谱构建

发布时间：2024-12-22 00:26

　　在大数据支持和自然语言处理技术的迅猛发展下,学科交叉融合需求激增,社会计算成为热门研究领域。作为传统社会科学的一门分支,政治学主要通过研究人类社会生活中的政治现象和政治关系等,以揭示政治现象、过程的本质及规律性,同时由于大数据时代的到来使得政治领域语料规模扩充迅速且更为可得,因此政治学对于自动文本处理和事件关系网络分析的需求日渐增加。通过从大规模数据中自动抽取的信息构建的关系图结构,不仅可以高效的完成知识发现任务并厘清事件间的关联关系,还便于研究者更好的理解和把握事件发展趋势,有利于更好的推进政治领域的相关研究。为此,本文主要研究面向政治领域的事理图谱的构建,即一种揭示事件间演化规律和模式的事理逻辑知识库,可以用于政治现象及行为的逻辑分析。本文提出了一套政治域事理图谱构建框架,并利用自然语言处理技术完成事件信息与事件关系的自动化抽取,大大减轻了人工信息抽取的工作量,为该领域后续事理图谱的构建奠定良好基础。在信息抽取任务中,本文选择效果更为优良的监督学习方法,但高质量的领域标注数据十分稀缺且数据标注模板缺失,针对此问题,本文制定了一套政治领域数据标注方案并构建PEG数据库一套,为事件抽取及...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究意义
        1.1.1 课题背景
        1.1.2 研究意义
    1.2 主要挑战
    1.3 研究内容及主要工作
    1.4 论文结构
第2章 相关工作
    2.1 事理图谱
        2.1.1 事理图谱定义
        2.1.2 事理图谱的特点
        2.1.3 事理图谱构建与应用
    2.2 事件抽取
        2.2.1 任务定义
        2.2.2 数据集介绍
        2.2.3 相关研究
    2.3 关系抽取
    2.4 可视化技术
        2.4.1 Neo4j图数据库简介
        2.4.2 MySQL数据库简介
        2.4.3 Pyechart简介
    2.5 本章小结
第3章 数据集的构建
    3.1 政治领域语料库构建
    3.2 事件标注举例
第4章 事件抽取
    4.1 融合字向量的DMCNN事件抽取方法
    4.2 基于预训练模型的事件抽取方法
        4.2.1 预训练模型介绍
        4.2.2 BERT+BiLSTM的事件抽取方法
    4.3 实验
        4.3.1 数据处理及开发环境
        4.3.2 参数设置及评价指标
        4.3.3 对比实验
        4.3.4 结果分析
    4.4 本章小结
第5章 关系抽取
    5.1 基于知识库匹配的显式关系抽取
    5.2 基于Attention_BiLSTM的隐式关系抽取
    5.3 实验
        5.3.1 显示关系抽取实验
        5.3.2 隐式关系抽取实验
    5.4 本章小结
第6章 事理图谱可视化
    6.1 基于图数据库Neo4j的事理图谱可视化
        6.1.1 数据存储
        6.1.2 图谱展示与分析
    6.2 基于MySQL+Pyechart的图谱可视化方法
        6.2.1 数据存储
        6.2.2 图谱展示与分析
    6.3 事理图谱可视化方法对比
    6.4 本章小结
第7章 总结与展望
    7.1 总结
    7.2 未来展望
参考文献
致谢
作者简历
发表的学术论文



本文编号：4019152