旅游领域属性抽取方法的研究
【文章页数】:64 页
【学位级别】:硕士
【部分图文】:
图1本文方法原理框架图Fig.1Frameworkoftheproposedmethod
.针对负例数据中存在可以作为正例数据的上下位关系文本,采用关键词模式匹配,二次获取负例数据中的正例数据,使正例数据得到极大丰富.最后使用各个关系下的正例数据和少量负例数据组合成的训练语料,提取训练语料的词性特征、依存关系特征和短语句法树特征,使3种特征融合为一个语义信息更丰富的大....
图2.2无监督学习属性抽取流程图Figure2.2Flowchartofunsupervisedlearningattributeextraction
内蒙古大学硕士学术论文9∑[1(+)]+||||2=1(2-3)2.2.2无监督的属性抽取在现实生活中,常常由于缺乏足够的先验知识,难以对样本数据进行人工标注或进行标注所花费的代价太高。为了解决这一类问题,研究人员提出了不需要标记样本的无监督学习方法。当前无监督学习主要分为两种,....
图2.4LSTM结构图Figure2.4thearchitectureofLSTM
旅游领域属性抽取方法的研究12并把它作为当前时刻神经元的输入[24]。与传统神经网络相比,RNN隐藏层中的神经元不是无连接的,而是有连接的。RNN通过基于时间的反向传播算法(Back-propagationThroughTime,BPTT)反向传播误差,BPTT的基础是反向传播算....
图3.1Skip-gram和CBOW结构图Figure3.1thearchitectureofSkip-gramandCBOWGlove是JeffreyPennington等人在2014年提出来的[31]
内蒙古大学硕士学术论文15图3.1Skip-gram和CBOW结构图Figure3.1thearchitectureofSkip-gramandCBOWGlove是JeffreyPennington等人在2014年提出来的[31]。当时的词嵌入主要分为两种,一种是基于窗口的方法(....
本文编号:3910956
本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/3910956.html