知识结构化:基于神经信息抽取的方法

目录第1章 知识结构化概述 11.1 知识工程 11.2 知识结构化 41.3 应用场景 81.4 国内外研究现状 91.4.1 知识图谱 101.4.2 实体抽取 141.4.3 关系抽取 151.4.4 三元组抽取 161.4.5 事件抽取 171.5 问题与挑战 171.6 内容组织结构 18参考文献 20第2章 神经网络基础 232.1 神经网络的技术优势 232.2 常用的神经网络模型组件 242.2.1 词向量 242.2.2 注意力机制 252.2.3 卷积神经网络 262.2.4 长短期记忆网络 262.2.5 门控循环单元 272.2.6 Transformer 网络 282.2.7 预训练语言模型 282.2.8 条件随机场 292.3 常用的神经网络学习策略 302.3.1 少样本学习策略 302.3.2 生成对抗训练策略 312.3.3 对比学习策略 32参考文献 33第3章 基于生成对抗训练方法的嵌套实体抽取框架 353.1 问题背景 353.2 相关工作 393.3 模型方法 403.3.1 预备知识 403.3.2 框架概述 413.3.3 抽取器 413.3.4 判别器 443.3.5 多任务训练和预测 453.4 实验与分析 463.4.1 数据集介绍 463.4.2 实验设置 463.4.3 总体结果 473.4.4 消融实验 473.4.5 实体标记的影响 493.5 本章小结 49参考文献 50第4章 基于混合多原型的少样本实体抽取 524.1 问题背景 524.2 相关工作 544.2.1 少样本学习 544.2.2 少样本实体抽取的解决方案 544.3 模型方法 554.3.1 预备知识 554.3.2 框架概述 564.3.3 序列扩充和嵌入 584.3.4 混合多原型表示 584.3.5 预测与训练 594.4 实验与分析 594.4.1 数据集介绍 604.4.2 实验设置 604.4.3 总体结果 614.5 本章小结 64参考文献 64第5章 基于多粒度交互对比学习的多模态实体抽取方法 675.1 问题背景 675.2 相关工作 695.2.1 多模态命名实体识别 695.2.2 多模态任务中的对比学习 715.3 模型方法 715.3.1 多模态表示 725.3.2 多粒度对比学习 735.3.3 多粒度交互 765.3.4 CRF解码器与损失函数 785.4 实验与分析 785.4.1 数据集介绍 785.4.2 实验设置 785.4.3 总体结果 795.4.4 显著性测试 795.4.5 消融实验 815.4.6 目标数量的影响 815.4.7 案例分析 825.5 本章小结 84参考文献 85第6章 基于概率图模型以及嵌入特征的命名实体消歧 886.1 问题背景 886.2 相关工作 906.2.1 命名实体识别 906.2.2 候选实体生成 906.2.3 候选实体排序 916.2.4本章消歧系统框架 926.3 模型方法 926.3.1 预备知识 926.3.2 指称-实体图 956.3.3 近似算法 966.4 实验与分析 986.4.1 数据集介绍 986.4.2 实验设置 996.4.3 总体结果 996.4.4 特征比较实验及结果 1016.5 本章小结 102参考文献 103第7章 面向含噪数据的中文领域关系抽取 1057.1 问题背景 1057.2 相关工作 1087.2.1 基于监督学习的关系抽取方法 1087.2.2 基于依存路径的关系抽取方法 1097.2.3 基于远程监督的关系抽取方法 1097.2.4 面向含嗓文本的关系抽取方法 1097.3 模型方法 1107.3.1 预备知识 1117.3.2 嵌入表示 1147.3.3 卷积和*大池化 1157.3.4 实体集成的注意力多实例学习方法 1167.3.5 Softmax输出 1177.4 实验与分析 1187.4.1 数据集介绍 1187.4.2 实验设置 1197.4.3 保留评估 1207.4.4 多实例学习方法对比 1217.4.5 交叉验证 1237.4.6 消融实验 1247.4.7 人工评估 1257.5本章小结 126参考文献 127第8章 基于远程监督的少样本关系抽取方法 1308.1 问题背景 1308.2 相关工作 1348.2.1 基于远程监督的关系抽取方法 1348.2.2 基于少样本学习的关系抽取方法 1358.3 模型方法 1368.3.1 预备知识 1368.3.2 句子编码器 1378.3.3 原型网络 1418.4 实验与分析 1418.4.1 数据集介绍 1428.4.2 实验设置 1428.4.3 总体结果 1438.4.4 多实例学习方法对比 1448.4.5 实例袋向量表示可视化 1448.5 本章小结 145参考文献 146第9章 基于迁移排序模型的三元组抽取技术 1499.1 问题背景 1499.2 相关工作 1529.2.1 基于实体关系联合抽取的方法 1529.2.2 基于实体抽取的方法 1529.2.3 基于关系分类的方法 1539.3 模型方法 1539.3.1 模型框架 1539.3.2 实体抽M块 1549.3.3 三部分标注方案 1569.3.4 多层迁移模型 1579.3.5 模型的训练和抽取 1589.4 实验与分析 1619.4.1 数据集介绍 1619.4.2 实验设置 1629.4.3 总体结果 1639.5 本章小结 167参考文献 167第10章 融合对抗训练的端到端知识三元组联合抽取 17110.1 问题背景 17110.2 相关工作 17310.2.1 流水线式方法 17310.2.2 联合学习方法 17410.2.3 对抗训练方法 17410.3 模型方法 17510.3.1 标注策略 17610.3.2 表示层 17710.3.3 双向长短期记忆网络编码层 17810.3.4 自注意力层 17910.3.5 长短期记忆网络解码层 17910.3.6 Softmax分类层 18110.3.7 对抗训练 18210.4 实验与分析 18310.4.1 数据集介绍 18310.4.2 实验设置 18310.4.3 总体结果 18410.4.4 消融实验 18710.4.5 误差分析 18810.5 本章小结 189参考文献 190第11章 基于视图转移网络的少样本关系三元组抽取 19311.1 问题背景 19311.2 相关工作 19511.2.1 基于监督学习的方法 19511.2.2 基于少样本学习的方法 19511.3 模型方法 19611.3.1 模型框架 19611.3.2 关系视图 19711.3.3 实体视图 19811.3.4 三元组视图 19911.4 验与分析 20011.4.1 数据集介绍 20011.4.2 实验设置 20111.4.3 总体结果 20211.5 本章小结 205参考文献 205第12章 利用多语言线索进行事件检测的混合注意力网络 20812.1 问题背景 20812.2 相关工作 21012.2.1 基于特征工程的事件检测方法 21012.2.2 基于神经网络的事件检测方法 21012.2.3 基于远程监督的事件检测方法 21112.2.4 多语言方法 21112.3 模型方法 21112.3.1 多语言表示层 21212.3.2 注意力层 21312.3.3 训练与预测 21512.4 实验与分析 21612.4.1 数据集介绍 21612.4.2 实验设置 21612.4.3 总体结果 21612.4.4 多语言的效果验证 21912.5 本章小结 220参考文献 221第13章 基于差异性神经表示的事件检测方法 22313.1 问题背景 22313.2 相关工作 22513.2.1 基于特征的方法 22513.2.2 基于增强的方法 22613.2.3 基于神经网络的方法 22613.3 模型方法 22713.3.1 模型框架 22713.3.2 编码模块 22813.3.3 对比学习模块 22913.3.4 Mixspan模块 23113.3.5 模型训练与预测 23313.4 实验与分析 23413.4.1 数据集介绍 23413.4.2 实验设置 23513.4.3 总体结果 23613.5 本章小结 241参考文献 241第14章 基于分层策略网络的事件抽取方法 24414.1 问题背景 24414.2 相关工作 24614.2.1 流水线式事件抽取方法 24614.2.2 联合事件抽取方法 24614.2.3 策略网络方法 24714.3 模型方法 24714.3.1 事件级策略网络 24814.3.2 论元级策略网络 25014.3.3 分雇训练 25214.4 实验与分析 25314.4.1 数据集介绍 25314.4.2 实验设置 25414.4.3 总体结果 25414.4.4 分展框架的效果评估 25514.4.5 策略网络的效果 25614.5 本章小结 257参考文献 257第15章 知识结构化未来展望 25915.1 总结 25915.2 未来展望 26215.2.1 实体抽取技术 26215.2.2 三元组抽取技术 26415.2.3 事件抽取技术 26515.3 大语言模型技术 267参考文献 268