细粒度的实体和关系抽取

目录

第1 章 绪 论

1.1 课题背景及研究意义

1.1.1 课题背景

1.1.2 研究意义

1.2 相关工作的研究现状

1.2.1 同义关系挖掘研究现状

1.2.2 知识图谱融合研究现状

1.2.3 命名实体识别研究现状

1.3 主要研究内容

1.4 本文章节安排

第2 章 实体的同义关系挖掘

2.1 引言

2.2 同义词挖掘任务简介

2.3 同义词词林简介

2.4 数据集的构造

2.5 基于同义词词林和预训练词向量的同义词对判别模型

2.5.1 词对距离损失函数

2.5.2 正则损失函数

2.5.3 总损失函数

2.5.4 微调模型

2.6 同义词对判别实验

2.6.1 词向量选择

2.6.2 实验配置与评价指标

2.6.3 实验结果

2.7 本章小结

第3 章上位词的概念路径融合

3.1 引言

3.2 上位词的概念体系

3.2.1 大词林的概念体系

3.2.2 cnSchema 的概念体系

3.3 数据集的构造

3.4 概念路径匹配模型

3.4.1 基于 Embedding 的概念路径匹配模型

3.4.2 基于 BiLSTM 的概念路径匹配模型

3.4.3 基于 CNN 的概念路径匹配模型

3.4.4 基于 GCN 的概念路径匹配模型

3.4.5 基于 BERT 的概念路径匹配模型

3.5 概念路径匹配实验

3.6 概念路径融合算法

3.7 本章小结

第4 章细粒度的实体类型识别

4.1 引言

4.2 实体类型识别任务简介

4.3 细粒度的实体类型识别模型

4.3.1 基于 LSTM 和Attention 机制的实体类型识别模型

4.3.2 基于 BERT 的实体类型识别模型

4.3.3 融入多任务学习思路的实体类型识别模型

4.3.4 融入类别标签间关系信息的实体类型识别模型

4.3.5 融入降噪思路的实体类型识别模型

4.4 细粒度的实体类型识别实验

4.4.1 数据集

4.4.2 评价指标

4.4.3 实验结果

4.5 中文数据集向大词林的知识迁移

4.6 本章小结

结 论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢