基于深度学习的联合实体关系抽取

发布时间：2023-04-21 05:03

　　随着互联网的兴起,每天都有不同形式的大量的文本数据产生:新闻、研究文献、博客、论坛文字以及社交媒体评论等。很多重要有用的信息隐藏在其中,如何从这些自由文本中自动抽取所需要的信息是一个关键并且重要的一步。信息抽取任务就是为此目标而诞生。本文主要研究信息抽取子任务之一的实体关系抽取任务。该任务旨在识别文本中出现的实体,并判断出实体之间存在的关系。传统的有监督实体关系抽取通常采用基于流水线的方法,即实体模型和关系模型分开训练。在测试阶段,先用实体模型识别出实体,然后关系模型找出这些实体之间的关系。这种流水线的方法存在着错误传播的缺点,前一个任务的错误会累积到后一个任务。为了缓解这一问题,研究人员提出了联合模型。联合模型将两个子模型统一建模,可以进一步利用两个任务之间的潜在信息,以缓解错误传播的缺点。联合模型的难点是如何加强实体模型和关系模型之间的交互,比如实体模型和关系模型的输出之间存在着一定的约束,在建模的时候考虑到此类约束将有助于联合模型的性能。另一方面,为了解决实体关系抽取数据集难以获得的问题,远程监督的方法也被提出来。其主要思想是利用知识库和大规模文本数据对齐,自动构建大规模的训练集...

【文章页数】：137 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景
    1.2 本文贡献
    1.3 各章组织
第二章 实体关系抽取技术基础
    2.1 实体识别
    2.2 关系抽取
    2.3 联合实体关系抽取
    2.4 深度学习基础
第三章 融合异构数据的实体关系抽取
    3.1 引言
    3.2 相关工作
    3.3 融合异构数据的实体关系抽取框架
    3.4 实验
    3.5 总结
第四章 基于语言学规则的远程监督实体关系抽取
    4.1 引言
    4.2 相关工作
    4.3 基于语言学规则的倾向性关系抽取框架
    4.4 实验
    4.5 总结
第五章 基于风险最小化训练方法的联合实体关系抽取
    5.1 引言
    5.2 相关工作
    5.3 基于风险最小化训练方法的联合实体关系抽取系统
    5.4 实验
    5.5 总结
第六章 基于图卷积网络的联合实体关系抽取
    6.1 引言
    6.2 相关工作
    6.3 基于图卷积网络的联合实体关系抽取系统
    6.4 实验
    6.5 总结
第七章 结语与展望
参考文献
致谢
在读期间发表的学术论文情况



本文编号：3795891