自然语言处理——文本信息抽取与知识挖掘

第1章绪论 1．1研究背景与意义 1．1．1古籍文本信息抽取的重要性 1．1．2古籍文本信息抽取的应用领域 1．1．3古籍文本信息抽取的目的 1．2信息抽取与知识挖掘的基本概念 1．2．1NER 1．2．2RE 1．2．3EE 1．3NER技术 1．3．1基于规则方法的NER技术 1．3．2基于统计模型的NER技术 1．3．3基于深度学习方法的NER技术 第2章古籍文本信息抽取概述与基础理论 2．1古籍文本信息抽取的挑战与难点 2．1．1信息抽取 2．1．2古籍文本中的信息抽取 2．2古籍文本信息抽取的任务 2．3古籍文本信息抽取相关技术 2．3．1词汇语义表示 2．3．2CRF模型 2．3．3CNN信息抽取模型 2．3．4RNN信息抽取 2．3．5图卷积信息抽取模型 2．3．6迁移学习信息抽取模型 2．4古籍文本信息抽取的应用领域 2．4．1古籍数字化 2．4．2古籍文本分析 2．4．3文化遗产保护 2．4．4古籍知识图谱构建 第3章基于Transformer模型的NER 3．1引言 3．2问题引入 3．3基于分层Transformer模型的NER 3．3．1引言 3．3．2实现原理与步骤 3．3．3基本结构与训练方法 3．3．4示例 3．3．5实验分析 3．4基于BERTCRF的NER 3．4．1引言 3．4．2问题引入 3．4．3相关工作 3．4．4模型结构 3．4．5实验结果 3．5基于迁移学习的细粒度BERT的NER 3．5．1引言 3．5．2问题引入 3．5．3实验过程 3．5．4实验结果 第4章基于提示学习的NER 4．1引言 4．2问题引入 4．3基于模板的提示学习NER 4．3．1引言 4．3．2相关工作 4．3．3使用BART基于模板的NER 4．3．4实验结果 4．4融合注意力层的提示学习NER 4．4．1引言 4．4．2低资源NER实验过程 4．4．3实验结果 4．5基于问答的提示学习NER 4．5．1引言 4．5．2相关工作 4．5．3方法 4．5．4实验结果 第5章基于远程监督的RE 5．1引言 5．2问题引入 5．3基于对抗学习的远程监督RE 5．3．1引言 5．3．2相关工作 5．3．3方法 5．3．4实验设置 5．4基于深度强化学习的远程监督RE 5．4．1引言 5．4．2相关工作 5．4．3实验过程 5．5基于句子级别注意力机制的远程监督RE 5．5．1引言 5．5．2相关工作 5．5．3方法 5．5．4实验结果 5．5．5比较 5．6基于实体级别注意力机制的远程监督RE 5．6．1引言 5．6．2相关工作 5．6．3融入多实例学习的基于分段CNN的RE 5．6．4实验结果 5．7基于图卷积的远程监督RE 5．7．1引言 5．7．2相关工作 5．7．3利用辅助信息进行远程监督神经RE 5．7．4实验结果 第6章基于迁移学习的实体RE 6．1引言 6．2问题引入 6．3基于样本迁移的实体RE 6．3．1引言 6．3．2问题引入 6．3．3实验分析 6．3．4实验结果 6．4基于特征迁移的实体RE 6．4．1引言 6．4．2相关工作 6．4．3学习深度简约表示 6．4．4基于聚类的正则化方法应用于实体RE 6．5基于关系迁移的实体RE 6．5．1基于关系迁移的实体RE的概念 6．5．2基于关系迁移的实体RE的步骤 6．5．3基于关系迁移的实体RE的模型结构 6．5．4基于关系迁移的实体RE的相关工作 6．5．5实验分析 第7章联合模型的EE 7．1引言 7．2问题引入 7．3级联解码联合学习的EE方法 7．3．1引言 7．3．2问题引入 7．3．3模型介绍 7．3．4实验过程 7．4共享隐藏表示方式的EE方法 7．4．1引言 7．4．2问题引入 7．4．3模型 7．4．4模型实验表现 7．5基于转换的神经网络的EE方法 7．5．1引言 7．5．2转换系统介绍 7．5．3基于转换的神经网络模型介绍 7．5．4实验结果 第8章篇章级的EE 8．1引言 8．2问题引入 8．3中心语引导的篇章级EE 8．3．1引言 8．3．2相关工作 8．3．3方法 8．3．4实验结果 8．3．5比较 8．4跨句论元抽取的篇章级EE 8．4．1引言 8．4．2相关工作 8．4．3角色填充实体提取任务和评估指标 8．4．4将REE作为序列生成任务 8．4．5GRIT模型 8．4．6实验设置及结果 8．5多粒度阅读的篇章级EE 8．5．1引言 8．5．2相关工作 8．5．3实验方法 8．5．4实验结果 第9章总结与展望 9.1总结 9．2展望 9．2．1NER技术未来发展展望 9．2．2RE技术未来发展展望 9．2．3EE技术未来发展展望 参考文献