声明
致谢
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传统的实体关系抽取方法
1.2.2 基于神经网络的实体关系抽取方法
1.3 论文研究的内容
1.4 论文的组织结构
2 相关理论基础
2.1 基于神经网络的文本表示
2.1.1 词向量模型
2.1.2 预训练语言模型
2.2 实体关系抽取特征编码模型
2.3 实体关系抽取解码方式
2.3.1 序列标注方法
2.3.2 指针标注方法
2.3.3 片段排列方法
2.4 知识蒸馏
2.5 对抗训练
2.6 评测标准
(1)查准率、查全率和F1度量
(2)Loss曲线图
2.7 本章小结
3 基于知识蒸馏的实体关系抽取模型
3.1 基础实体关系抽取模型
3.1.1 基于BERT的CASREL基础实体关系抽取模型
3.1.2 基于LSTM的CASRELLSTM基础实体关系抽取模型
3.2 基于知识蒸馏的实体关系抽取LSTMCasKd模型
3.2.1 LSTMCasKd模型结构
3.2.2 LSTMCasKd模型详细设计
3.3 实验对比与结果分析
3.3.1 实验数据
3.3.2 数据设定
3.3.3 实验内容
3.3.4 实验结果与分析
3.4 本章小结
4 基于对抗训练融合知识蒸馏的实体关系抽取模型
4.1 基于对抗训练的BERTCasAdv模型
4.1.1 BERTCasAdv模型结构
4.1.2 BERTCasAdv模型详细设计
4.2 基于对抗训练融合知识蒸馏的LSTMCasAdvKd模型
4.2.1 LSTMCasAdvKd模型结构
4.2.2 LSTMCasAdvKd模型详细设计
4.3 实验对比与结果分析
4.3.1 实验内容
4.3.2 实验结果与分析
4.4 本章小结
5 结论
参考文献
作者简历及攻读硕士/博士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;