自然語言處理技術 — 文本信息抽取及應用研究

第1章緒論 1
1.1 研究背景及意義 1
1.2 基本定義及問題描述 3
1.2.1 概念 3
1.2.2 命名實體識別 3
1.2.3 關係抽取 4
1.2.4 事件抽取 4
1.2.5 資源受限 6
1.2.6 信息抽取應用 7
1.3 基本研究方法與代表性系統 9
1.3.1 基於規則的方法 9
1.3.2 基於統計模型的方法 10
1.3.3 基於深度學習的方法 10
1.3.4 基於文本挖掘的方法 10
1.4 本書章節組織架構 11

第2章基礎理論 13
2.1 詞彙語義表示 13
2.1.1 基於矩陣分解的方法 13
2.1.2 基於預測任務的方法 15
2.2 序列標註 16
2.3 條件隨機場 18
2.3.1 線性鏈條件隨機場 18
2.3.2 Viterbi算法 19
2.4 循環神經網絡 20
2.4.1 樸素循環神經網絡 21
2.4.2 長短期記憶網絡 22
2.4.3 門控循環單元 22
2.4.4 雙向循環神經網絡 23
2.5 卷積神經網絡 24
2.5.1 文本上的捲積 25
2.5.2 卷積神經網絡的優點 25
2.6 圖卷積神經網絡 26
2.7 多任務學習 28
2.7.1 多任務學習模式 28
2.7.2 多任務學習有效性分析 29
2.8 遠程監督 30
2.9 遷移學習 30
2.9.1 基於實例的遷移學習 31
2.9.2 基於特徵的遷移學習 31
2.9.3 基於共享參數的遷移學習 31
參考文獻 32

第3章信息抽取相關評測和標註資源 35
3.1 MUC系列評測會議 35
3.2 ACE系列評測會議 37
3.3 TAC-KBP系列評測會議 40
3.4 其他研究活動 43
3.5 信息抽取標註資源 43
參考文獻 45

第4章聯合實體識別的關係抽取 48
4.1 引言 48
4.2 問題描述 51
4.3 基於序列建模的實體識別 51
4.3.1 基於BERT的句子編碼 51
4.3.2 頭實體識別 52
4.3.3 尾實體識別 53
4.4 基於生成的實體關係聯合抽取 53
4.4.1 句子編碼 55
4.4.2 基於集合預測的解碼過程 56
4.5 基於翻譯的實體關係聯合抽取 57
4.5.1 輸入編碼 57
4.5.2 實體識別 58
4.5.3 關係預測 58
4.5.4 基於翻譯的實體關係聯合抽取案例 61
4.6 實驗驗證 62
4.6.1 數據集和評價指標 63
4.6.2 對比算法 63
4.6.3 實驗結果 64
4.6.4 問題與思考 65
4.7 本章小結 66
參考文獻 67

第5章弱監督的關係抽取 69
5.1 引言 69
5.2 問題分析 70
5.3 基於注意力機制的弱監督關係抽取 73
5.3.1 基於切分卷積神經網絡的關係抽取 73
5.3.2 基於句子級別的注意力機制的遠程監督關係抽取 76
5.3.3 基於實體描述的句子級別的注意力機制的遠程監督關係抽取 77
5.3.4 基於非獨立同分佈的遠程監督關係抽取 80
5.4 基於圖卷積的遠程監督關係抽取 82
5.4.1 基於依存樹的圖卷積關係抽取 82
5.4.2 基於注意力機制引導的圖卷積神經網絡關係抽取 85
5.5 基於篇章級別的遠程監督關係抽取 87
5.6 實驗驗證 91
5.7 本章小結 95
參考文獻 96

第6章基於知識遷移的關係抽取 101
6.1 引言 101
6.2 同類別遷移的關係抽取 102
6.2.1 引言 102
6.2.2 相關工作 104
6.2.3 基於領域分離映射的領域自適應關係抽取框架 106
6.2.4 實驗部分 111
6.2.5 總結與分析 117
6.3 跨類別遷移的關係抽取 118
6.3.1 引言 118
6.3.2 相關工作 120
6.3.3 基於任務感知的小實例關係抽取模型 122
6.3.4 實驗部分 129
6.3.5 總結與分析 134
6.4 不均衡模型訓練方法 135
6.4.1 引言 135
6.4.2 相關工作 137
6.4.3 基於多分佈選擇的不均衡數據分類方法 140
6.4.4 實驗部分 144
6.4.5 總結與分析 149
6.5 本章小結 149
參考文獻 150