基于循环神经网络的关系抽取方法研究

发布时间：2023-02-25 20:30

　　随着互联网急剧发展,大量非结构文本数据日益增多,如何结构化这些文本数据成为一个亟待解决的问题,而自然语言处理任务的研究对象正是这些非结构化的数据。其中关系抽取是自然语言处理任务中的一项重要基础任务。关系抽取任务是问答系统、知识图谱、信息检索等人工智能及其相关研究领域的基础任务之一。关系抽取任务通过获取句子中实体词之间的关系,从而能够自动化构建句子中存在的知识,便于研究者构建知识图谱。传统的关系抽取方式极为依赖人工经验,需要熟练且有相关知识的研究者手动选取特征,这样不仅导致特征选择效率低下,而且易出错。但是近年来随着深度学习的发展,更多的深度学习方法被应用于自然语言处理任务中,并且获得了很大的成功。但是这些使用深度学习方法的相关研究文献仍存在一些不足之处。针对具体存在的问题,本论文提出了三个基于深度学习的关系抽取模型,主要包含如下三个方面:(1)大多数关系抽取模型只使用了一种深度学习模型的,并不能将多种模型的优点集于一身,因此本文提出一种基于双通道自注意力的关系抽取模型,该模型通过使用卷积神经网络和循环神经网络分别提取数据特征,使模型能够有效利用两个网络模型的优点,弥补两个模型各自的不足...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 命名实体识别
        1.2.2 传统的关系抽取方法
        1.2.3 基于深度学习的关系抽取方法
    1.3 本文主要内容
    1.4 本文章节安排
第2章 相关背景和技术
    2.1 词向量
    2.2 循环神经网络
    2.3 卷积神经网络
    2.4 本章小结
第3章 基于双通道自注意力的关系抽取模型
    3.1 双通道自注意力模型
        3.1.1 双向长短时记忆层
        3.1.2 自注意力层
    3.2 数据及数据预处理
    3.3 实验及结果分析
        3.3.1 评价标准
        3.3.2 模型训练及参数调整
        3.3.3 实验结果及分析
    3.4 本章小结
第4章 基于辅助模型的关系抽取模型
    4.1 网络模型结构
    4.2 实验数据及环境
    4.3 实验及结果分析
        4.3.1 模型训练及参数设置
        4.3.2 实验结果及分析
    4.4 本章小结
第5章 基于选择门网络的关系抽取模型
    5.1 选择门网络模型
        5.1.1 网络模型结构
        5.1.2 注意力层结构
    5.2 实验结果及分析
        5.2.1 模型训练及参数设置
        5.2.2 实验结果及分析
    5.3 本章小结
第6章 总结与展望
参考文献
致谢
攻读学位期间发表的学术论文目录



本文编号：3749142