自然語言處理——文本信息抽取與知識挖掘

盧勇，潘秀琴

自然語言處理——文本信息抽取與知識挖掘 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2024-09-01
  • 定價: $294
  • 售價: 8.5 折 $250
  • 語言: 簡體中文
  • ISBN: 7302673780
  • ISBN-13: 9787302673781
  • 相關分類: Text-mining

    • 下單後立即進貨 (約4週~6週)

  • 自然語言處理——文本信息抽取與知識挖掘-preview-1
  • 自然語言處理——文本信息抽取與知識挖掘-preview-2
  • 自然語言處理——文本信息抽取與知識挖掘-preview-3
自然語言處理——文本信息抽取與知識挖掘-preview-1

相關主題

商品描述

"本書在全面介紹文本信息抽取技術在古籍文本處理方面應用的基礎上，著重介紹文本信息抽取與知識挖掘的基本概念、原理和方法，包括文本預處理、特徵提取、命名實體識別、信息抽取、語義分析、知識表示等關鍵技術。 全書共3部分： 第1部分(第1、2章)著重介紹古籍文本信息抽取的相關背景知識； 第2部分(第3~8章)著重討論命名實體識別、關系抽取和事件抽取的具體方法，同時介紹對應的實驗應用及結果分析； 第3部分(第9章)基於對當前實體抽取領域研究現狀的分析與總結，展望未來。同時，全書也提供了大量應用實例。 本書適合作為高等院校電腦、軟件工程及相關專業本科生、研究生的參考書，也可供對自然語言處理比較熟悉並且對信息抽取有所瞭解的開發人員、廣大科技工作者和研究人員學習使用。 "

目錄大綱

目錄

第1章緒論

1．1研究背景與意義

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應用領域

1．1．3古籍文本信息抽取的目的

1．2信息抽取與知識挖掘的基本概念

1．2．1NER

1．2．2RE

1．2．3EE

1．3NER技術

1．3．1基於規則方法的NER技術

1．3．2基於統計模型的NER技術

1．3．3基於深度學習方法的NER技術

第2章古籍文本信息抽取概述與基礎理論

2．1古籍文本信息抽取的挑戰與難點

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務

2．3古籍文本信息抽取相關技術

2．3．1詞匯語義表示

2．3．2CRF模型

2．3．3CNN信息抽取模型

2．3．4RNN信息抽取

2．3．5圖捲積信息抽取模型

2．3．6遷移學習信息抽取模型

2．4古籍文本信息抽取的應用領域

2．4．1古籍數字化

2．4．2古籍文本分析

2．4．3文化遺產保護

2．4．4古籍知識圖譜構建

第3章基於Transformer模型的NER

3．1引言

3．2問題引入

3．3基於分層Transformer模型的NER

3．3．1引言

3．3．2實現原理與步驟

3．3．3基本結構與訓練方法

3．3．4示例

3．3．5實驗分析

3．4基於BERTCRF的NER

3．4．1引言

3．4．2問題引入

3．4．3相關工作

3．4．4模型結構

3．4．5實驗結果

3．5基於遷移學習的細粒度BERT的NER

3．5．1引言

3．5．2問題引入

3．5．3實驗過程

3．5．4實驗結果

第4章基於提示學習的NER

4．1引言

4．2問題引入

4．3基於模板的提示學習NER

4．3．1引言

4．3．2相關工作

4．3．3使用BART基於模板的NER

4．3．4實驗結果

4．4融合註意力層的提示學習NER

4．4．1引言

4．4．2低資源NER實驗過程

4．4．3實驗結果

4．5基於問答的提示學習NER

4．5．1引言

4．5．2相關工作

4．5．3方法

4．5．4實驗結果

第5章基於遠程監督的RE

5．1引言

5．2問題引入

5．3基於對抗學習的遠程監督RE

5．3．1引言

5．3．2相關工作

5．3．3方法

5．3．4實驗設置

5．4基於深度強化學習的遠程監督RE

5．4．1引言

5．4．2相關工作

5．4．3實驗過程

5．5基於句子級別註意力機制的遠程監督RE

5．5．1引言

5．5．2相關工作

5．5．3方法

5．5．4實驗結果

5．5．5比較

5．6基於實體級別註意力機制的遠程監督RE

5．6．1引言

5．6．2相關工作

5．6．3融入多實例學習的基於分段CNN的RE

5．6．4實驗結果 

5．7基於圖捲積的遠程監督RE

5．7．1引言

5．7．2相關工作

5．7．3利用輔助信息進行遠程監督神經RE

5．7．4實驗結果 

第6章基於遷移學習的實體RE

6．1引言

6．2問題引入

6．3基於樣本遷移的實體RE

6．3．1引言

6．3．2問題引入

6．3．3實驗分析

6．3．4實驗結果

6．4基於特徵遷移的實體RE

6．4．1引言

6．4．2相關工作

6．4．3學習深度簡約表示

6．4．4基於聚類的正則化方法應用於實體RE

6．5基於關系遷移的實體RE

6．5．1基於關系遷移的實體RE的概念

6．5．2基於關系遷移的實體RE的步驟

6．5．3基於關系遷移的實體RE的模型結構

6．5．4基於關系遷移的實體RE的相關工作

6．5．5實驗分析

第7章聯合模型的EE

7．1引言

7．2問題引入

7．3級聯解碼聯合學習的EE方法

7．3．1引言

7．3．2問題引入

7．3．3模型介紹

7．3．4實驗過程

7．4共享隱藏表示方式的EE方法

7．4．1引言

7．4．2問題引入

7．4．3模型

7．4．4模型實驗表現

7．5基於轉換的神經網絡的EE方法

7．5．1引言

7．5．2轉換系統介紹

7．5．3基於轉換的神經網絡模型介紹

7．5．4實驗結果

第8章篇章級的EE

8．1引言

8．2問題引入

8．3中心語引導的篇章級EE

8．3．1引言

8．3．2相關工作

8．3．3方法

8．3．4實驗結果

8．3．5比較

8．4跨句論元抽取的篇章級EE

8．4．1引言

8．4．2相關工作

8．4．3角色填充實體提取任務和評估指標

8．4．4將REE作為序列生成任務

8．4．5GRIT模型

8．4．6實驗設置及結果

8．5多粒度閱讀的篇章級EE

8．5．1引言

8．5．2相關工作

8．5．3實驗方法

8．5．4實驗結果

第9章總結與展望

9.1總結

9．2展望

9．2．1NER技術未來發展展望

9．2．2RE技術未來發展展望

9．2．3EE技術未來發展展望

參考文獻

類似商品