自然語言處理技術：文本信息抽取及應用研究

第1章 緒論\t1
1．1 研究背景及意義\t1
1．2 基本定義及問題描述\t3
1．2．1 概念\t3
1．2．2 命名實體識別\t3
1．2．3 關系抽取\t4
1．2．4 事件抽取\t4
1．2．5 資源受限\t6
1．2．6 信息抽取應用\t7
1．3 基本研究方法與代表性系統(tǒng)\t9
1．3．1 基于規(guī)則的方法\t9
1．3．2 基于統(tǒng)計模型的方法\t10
1．3．3 基于深度學習的方法\t10
1．3．4 基于文本挖掘的方法\t10
1．4 本書章節(jié)組織架構\t11
第2章 基礎理論\t13
2．1 詞匯語義表示\t13
2．1．1 基于矩陣分解的方法\t13
2．1．2 基于預測任務的方法\t15
2．2 序列標注\t16
2．3 條件隨機場\t18
2．3．1 線性鏈條件隨機場\t18
2．3．2 Viterbi算法\t19
2．4 循環(huán)神經網絡\t20
2．4．1 樸素循環(huán)神經網絡\t21
2．4．2 長短期記憶網絡\t22
2．4．3 門控循環(huán)單元\t22
2．4．4 雙向循環(huán)神經網絡\t23
2．5 卷積神經網絡\t24
2．5．1 文本上的卷積\t25
2．5．2 卷積神經網絡的優(yōu)點\t25
2．6 圖卷積神經網絡\t26
2．7 多任務學習\t28
2．7．1 多任務學習模式\t28
2．7．2 多任務學習有效性分析\t29
2．8 遠程監(jiān)督\t30
2．9 遷移學習\t30
2．9．1 基于實例的遷移學習\t31
2．9．2 基于特征的遷移學習\t31
2．9．3 基于共享參數的遷移學習\t31
參考文獻\t32
第3章 信息抽取相關評測和標注資源\t35
3．1 MUC系列評測會議\t35
3．2 ACE系列評測會議\t37
3．3 TAC-KBP系列評測會議\t40
3．4 其他研究活動\t43
3．5 信息抽取標注資源\t43
參考文獻\t45
第4章 聯(lián)合實體識別的關系抽取\t48
4．1 引言\t48
4．2 問題描述\t51
4．3 基于序列建模的實體識別\t51
4．3．1 基于BERT的句子編碼\t51
4．3．2 頭實體識別\t52
4．3．3 尾實體識別\t53
4．4 基于生成的實體關系聯(lián)合抽取\t53
4．4．1 句子編碼\t55
4．4．2 基于集合預測的解碼過程\t56
4．5 基于翻譯的實體關系聯(lián)合抽取\t57
4．5．1 輸入編碼\t57
4．5．2 實體識別\t58
4．5．3 關系預測\t58
4．5．4 基于翻譯的實體關系聯(lián)合抽取案例\t61
4．6 實驗驗證\t62
4．6．1 數據集和評價指標\t63
4．6．2 對比算法\t63
4．6．3 實驗結果\t64
4．6．4 問題與思考\t65
4．7 本章小結\t66
參考文獻\t67
第5章 弱監(jiān)督的關系抽取\t69
5．1 引言\t69
5．2 問題分析\t70
5．3 基于注意力機制的弱監(jiān)督關系抽取\t73
5．3．1 基于切分卷積神經網絡的關系抽取\t73
5．3．2 基于句子級別的注意力機制的遠程監(jiān)督關系抽取\t76
5．3．3 基于實體描述的句子級別的注意力機制的遠程監(jiān)督關系抽取\t77
5．3．4 基于非獨立同分布的遠程監(jiān)督關系抽取\t80
5．4 基于圖卷積的遠程監(jiān)督關系抽取\t82
5．4．1 基于依存樹的圖卷積關系抽取\t82
5．4．2 基于注意力機制引導的圖卷積神經網絡關系抽取\t85
5．5 基于篇章級別的遠程監(jiān)督關系抽取\t87
5．6 實驗驗證\t91
5．7 本章小結\t95
參考文獻\t96
第6章 基于知識遷移的關系抽取\t101
6．1 引言\t101
6．2 同類別遷移的關系抽取\t102
6．2．1 引言\t102
6．2．2 相關工作\t104
6．2．3 基于領域分離映射的領域自適應關系抽取框架\t106
6．2．4 實驗部分\t111
6．2．5 總結與分析\t117
6．3 跨類別遷移的關系抽取\t118
6．3．1 引 言\t118
6．3．2 相關工作\t120
6．3．3 基于任務感知的小實例關系抽取模型\t122
6．3．4 實驗部分\t129
6．3．5 總結與分析\t134
6．4 不均衡模型訓練方法\t135
6．4．1 引 言\t135
6．4．2 相關工作\t137
6．4．3 基于多分布選擇的不均衡數據分類方法\t140
6．4．4 實驗部分\t144
6．4．5 總結與分析\t149
6．5 本章小結\t149
參考文獻\t150