基于深度学习的事件共指消解研究

发布时间：2021-01-15 16:32

　　事件共指消解在于能正确识别篇章中各个事件间存在的共指关系,作为信息抽取的一项重要子任务,对话题检测、文本摘要、机器翻译等自然语言处理（Natural Language Processing,NLP）任务具有一定的指导意义。针对事件共指消解任务,本文基于深度学习模型,挖掘事件句中深层语义信息,并结合事件共指关系特点,构建事件共指消解框架。目前,针对事件共指消解的研究,主要集中在英文和中文方面,并未开展针对维吾尔语小语种方面的研究。同时,在研究事件共指消解任务的过程中发现,合理利用深层语义信息,建立有效的事件表示能促进事件共指消解的研究。详细工作如下:（1）在没有特征工程和语言规则约束的情况下,对事件句采用双向长短时记忆网络（Bi-directional long short term memory,Bi-LSTM）进行语义建模,挖掘事件句深层语义信息;利用神经张量网络（Neural Tensor Network,NTN）探索事件间的隐藏语义关联;同时根据事件表达特点,引入基于事件触发词的主题向量,通过多层语义表示融合得到最终的多层次事件向量表示,最终F值达到74.20%。（2）借助门限机... 

【文章来源】：新疆大学新疆维吾尔自治区 211工程院校

【文章页数】：43 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 引言
    1.1 研究背景
    1.2 研究意义
    1.3 国内外研究现状
    1.4 本文主要研究内容
    1.5 论文的组织结构
第二章 相关知识介绍
    2.1 事件相关知识介绍
    2.2 常用语料库
    2.3 候选事件对抽取
第三章 基于张量神经网络和主题向量的事件共指消解方法
    3.1 方法介绍
    3.2 模型介绍
        3.2.1 词向量表示层
        3.2.2 Bi-LSTM层
        3.2.3 神经张量网络层
    3.3 模型训练
    3.4 实验准备
    3.5 实验分析
        3.5.1 实验设计
        3.5.2 不同模型的事件共指消解性能对比
        3.5.3 张量切片数目对性能的影响
        3.5.4 可视化分析
    3.6 本章小结
第四章 基于门限卷积神经网络的事件共指消解方法
    4.1 方法介绍
    4.2 特征抽取
    4.3 模型介绍
        4.3.1 词向量层
        4.3.2 GCNN层
    4.4 实验分析
        4.4.1 实验设计
        4.4.2 词向量维度对消解效果的影响
        4.4.3 手工特征对消解效果的影响
        4.4.4 GCNN与其他模型消解效果对比
    4.5 本章小结
第五章 总结与展望
参考文献
作者攻读硕士期间的研究成果
致谢


【参考文献】：
期刊论文
[1]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)

博士论文
[1]面向事件的知识处理研究[D]. 付剑锋.上海大学 2010



本文编号：2979147