更新时间：2024-03-22 11:47:38
封面
版权信息
内容简介
前言
第1章 绪论
1.1 研究背景及意义
1.2 基本定义及问题描述
1.2.1 概念
1.2.2 命名实体识别
1.2.3 关系抽取
1.2.4 事件抽取
1.2.5 资源受限
1.2.6 信息抽取应用
1.3 基本研究方法与代表性系统
1.3.1 基于规则的方法
1.3.2 基于统计模型的方法
1.3.3 基于深度学习的方法
1.3.4 基于文本挖掘的方法
1.4 本书章节组织架构
第2章 基础理论
2.1 词汇语义表示
2.1.1 基于矩阵分解的方法
2.1.2 基于预测任务的方法
2.2 序列标注
2.3 条件随机场
2.3.1 线性链条件随机场
2.3.2 Viterbi算法
2.4 循环神经网络
2.4.1 朴素循环神经网络
2.4.2 长短期记忆网络
2.4.3 门控循环单元
2.4.4 双向循环神经网络
2.5 卷积神经网络
2.5.1 文本上的卷积
2.5.2 卷积神经网络的优点
2.6 图卷积神经网络
2.7 多任务学习
2.7.1 多任务学习模式
2.7.2 多任务学习有效性分析
2.8 远程监督
2.9 迁移学习
2.9.1 基于实例的迁移学习
2.9.2 基于特征的迁移学习
2.9.3 基于共享参数的迁移学习
参考文献
第3章 信息抽取相关评测和标注资源
3.1 MUC系列评测会议
3.2 ACE系列评测会议
3.3 TAC-KBP系列评测会议
3.4 其他研究活动
3.5 信息抽取标注资源
第4章 联合实体识别的关系抽取
4.1 引言
4.2 问题描述
4.3 基于序列建模的实体识别
4.3.1 基于BERT的句子编码
4.3.2 头实体识别
4.3.3 尾实体识别
4.4 基于生成的实体关系联合抽取
4.4.1 句子编码
4.4.2 基于集合预测的解码过程
4.5 基于翻译的实体关系联合抽取
4.5.1 输入编码
4.5.2 实体识别
4.5.3 关系预测
4.5.4 基于翻译的实体关系联合抽取案例
4.6 实验验证
4.6.1 数据集和评价指标
4.6.2 对比算法
4.6.3 实验结果
4.6.4 问题与思考
4.7 本章小结
第5章 弱监督的关系抽取
5.1 引言
5.2 问题分析
5.3 基于注意力机制的弱监督关系抽取
5.3.1 基于切分卷积神经网络的关系抽取
5.3.2 基于句子级别的注意力机制的远程监督关系抽取
5.3.3 基于实体描述的句子级别的注意力机制的远程监督关系抽取
5.3.4 基于非独立同分布的远程监督关系抽取
5.4 基于图卷积的远程监督关系抽取
5.4.1 基于依存树的图卷积关系抽取
5.4.2 基于注意力机制引导的图卷积神经网络关系抽取
5.5 基于篇章级别的远程监督关系抽取
5.6 实验验证
5.7 本章小结
第6章 基于知识迁移的关系抽取
6.1 引言
6.2 同类别迁移的关系抽取
6.2.1 引言
6.2.2 相关工作
6.2.3 基于领域分离映射的领域自适应关系抽取框架
6.2.4 实验部分
6.2.5 总结与分析
6.3 跨类别迁移的关系抽取
6.3.1 引言
6.3.2 相关工作
