面向党建领域实体关系抽取技术的研究

发布时间：2021-01-19 21:56

　　随着网络上信息的爆炸式增长,需要借助越来越多的信息抽取技术来对文本进行自动化的处理。关系抽取是信息抽取的子任务,主要目标是对实体间的关系进行挖掘。目前在中文语料上,对于生物、医学领域或者人物关系类别抽取上的研究较多。随着“互联网+党建”的兴起,面向党建领域数据的实体关系抽取也成为一个需要关注的研究任务,它对构建党建领域知识图谱、问答系统和推进我国智慧党建进程等有十分重要的意义。常用的关系抽取方法包括两种,一是基于特征向量的方法,它需要人工选取特征,然后将特征转化为向量输入到一个合适的机器学习算法中,算法性能的优劣会受到特征质量高低的影响。另外一种是基于核函数的方法,它不太适宜使用在数据量规模较大的数据集上。目前,基于深度学习的关系抽取方法是一个研究热点,它利用神经网络自动学习特征,减少了对人工的依赖。因此,如何利用深度学习模型解决党建领域实体关系抽取问题是本文的研究重点。本文针对党建领域数据集,提出了一个MA_BGRU模型,即使用BGRU对句子进行建模,并引入Multi-head Attention（多头注意力机制）,旨在让模型从不同表示空间上获取关于句子更多层面的... 

【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

职务类别种子词典Figure3.2Seeddictionaryofposition第二步，每次从词典中取出一个词作为互动百科的输入，同时将该词标记为

互动百科搜索结果-1Figure3.3InteractiveEncyclopediaSearchResults-1

互动百科搜索结果-2Figure3.4InteractiveEncyclopediaSearchResults-2

【参考文献】：
期刊论文
[1]基于注意力机制的LSTM的语义关系抽取[J]. 王红,史金钏,张志伟.  计算机应用研究. 2018(05)
[2]信息化助力社会工作发展[J]. 邹学银.  中国社会工作. 2017(22)
[3]基于句法语义特征的中文实体关系抽取[J]. 郭喜跃,何婷婷,胡小华,陈前军.  中文信息学报. 2014(06)
[4]实体关系自动抽取[J]. 车万翔,刘挺,李生.  中文信息学报. 2005(02)

硕士论文
[1]基于深度学习的中文实体关系抽取方法研究[D]. 唐敏.西南交通大学 2018
[2]中文文本实体关系抽取方法研究[D]. 孔兵.哈尔滨工业大学 2016



本文编号：2987780