自然語言處理技術：文本信息抽取及應用研究

定　價：￥108.00

作　者：	黃河燕
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121437694	出版時間：	2022-06-01	包裝：
開本：	16開	頁數(shù)：	276	字數(shù)：

內(nèi)容簡介

　　信息抽取的目的是從海量互聯(lián)網(wǎng)文本信息中抽取結構化知識，是知識圖譜自動化構建、更新的基礎，為信息檢索、推薦系統(tǒng)、智能問答等諸多研究領域提供底層知識推理支撐并取得了重大突破，是推動人工智能技術由感知走向認知的關鍵要素，具有重要的研究意義和實用價值。本書梳理了命名實體識別、關系抽取、事件抽取等相關研究方向的知識資源、基礎理論和實踐應用，詳細介紹了實體關系聯(lián)合抽取、弱監(jiān)督關系抽取、基于遷移學習的關系抽取、多實例聯(lián)合事件抽取、基于因變量的事件模板推導等前沿理論研究，并以領域知識圖譜、事理圖譜等為例，詳細介紹了信息抽取在圖譜構建中的應用。最后本書對信息抽取進行了總結和未來研究方向展望。

作者簡介

　　1963年10月生，籍貫湖南。1986年1月加入中國共產(chǎn)黨，1989年3月參加工作。1983年畢業(yè)于武漢測繪科技大學計算機系獲學士學位，1986年畢業(yè)于國防科技大學計算機系獲碩士學位，1989年畢業(yè)于中國科學院計算技術研究所獲博士學位，后留所工作，先后任助理研究員、副研究員、研究員；1997年至2009年在中科院計算機語言信息工程研究中心任副主任、研究員并先后兼任中科院華建集團黨委委員、副書記，2009年至今任北京理工大學計算機學院院長、教授，兼北京市海量語言信息處理與云計算應用工程技術研究中心主任及中-德語言信息處理聯(lián)合實驗室主任；現(xiàn)為國家\

圖書目錄

第1章緒論\t1
1．1 研究背景及意義\t1
1．2 基本定義及問題描述\t3
1．2．1 概念\t3
1．2．2 命名實體識別\t3
1．2．3 關系抽取\t4
1．2．4 事件抽取\t4
1．2．5 資源受限\t6
1．2．6 信息抽取應用\t7
1．3 基本研究方法與代表性系統(tǒng)\t9
1．3．1 基于規(guī)則的方法\t9
1．3．2 基于統(tǒng)計模型的方法\t10
1．3．3 基于深度學習的方法\t10
1．3．4 基于文本挖掘的方法\t10
1．4 本書章節(jié)組織架構\t11
第2章基礎理論\t13
2．1 詞匯語義表示\t13
2．1．1 基于矩陣分解的方法\t13
2．1．2 基于預測任務的方法\t15
2．2 序列標注\t16
2．3 條件隨機場\t18
2．3．1 線性鏈條件隨機場\t18
2．3．2 Viterbi算法\t19
2．4 循環(huán)神經(jīng)網(wǎng)絡\t20
2．4．1 樸素循環(huán)神經(jīng)網(wǎng)絡\t21
2．4．2 長短期記憶網(wǎng)絡\t22
2．4．3 門控循環(huán)單元\t22
2．4．4 雙向循環(huán)神經(jīng)網(wǎng)絡\t23
2．5 卷積神經(jīng)網(wǎng)絡\t24
2．5．1 文本上的卷積\t25
2．5．2 卷積神經(jīng)網(wǎng)絡的優(yōu)點\t25
2．6 圖卷積神經(jīng)網(wǎng)絡\t26
2．7 多任務學習\t28
2．7．1 多任務學習模式\t28
2．7．2 多任務學習有效性分析\t29
2．8 遠程監(jiān)督\t30
2．9 遷移學習\t30
2．9．1 基于實例的遷移學習\t31
2．9．2 基于特征的遷移學習\t31
2．9．3 基于共享參數(shù)的遷移學習\t31
參考文獻\t32
第3章信息抽取相關評測和標注資源\t35
3．1 MUC系列評測會議\t35
3．2 ACE系列評測會議\t37
3．3 TAC-KBP系列評測會議\t40
3．4 其他研究活動\t43
3．5 信息抽取標注資源\t43
參考文獻\t45
第4章聯(lián)合實體識別的關系抽取\t48
4．1 引言\t48
4．2 問題描述\t51
4．3 基于序列建模的實體識別\t51
4．3．1 基于BERT的句子編碼\t51
4．3．2 頭實體識別\t52
4．3．3 尾實體識別\t53
4．4 基于生成的實體關系聯(lián)合抽取\t53
4．4．1 句子編碼\t55
4．4．2 基于集合預測的解碼過程\t56
4．5 基于翻譯的實體關系聯(lián)合抽取\t57
4．5．1 輸入編碼\t57
4．5．2 實體識別\t58
4．5．3 關系預測\t58
4．5．4 基于翻譯的實體關系聯(lián)合抽取案例\t61
4．6 實驗驗證\t62
4．6．1 數(shù)據(jù)集和評價指標\t63
4．6．2 對比算法\t63
4．6．3 實驗結果\t64
4．6．4 問題與思考\t65
4．7 本章小結\t66
參考文獻\t67
第5章弱監(jiān)督的關系抽取\t69
5．1 引言\t69
5．2 問題分析\t70
5．3 基于注意力機制的弱監(jiān)督關系抽取\t73
5．3．1 基于切分卷積神經(jīng)網(wǎng)絡的關系抽取\t73
5．3．2 基于句子級別的注意力機制的遠程監(jiān)督關系抽取\t76
5．3．3 基于實體描述的句子級別的注意力機制的遠程監(jiān)督關系抽取\t77
5．3．4 基于非獨立同分布的遠程監(jiān)督關系抽取\t80
5．4 基于圖卷積的遠程監(jiān)督關系抽取\t82
5．4．1 基于依存樹的圖卷積關系抽取\t82
5．4．2 基于注意力機制引導的圖卷積神經(jīng)網(wǎng)絡關系抽取\t85
5．5 基于篇章級別的遠程監(jiān)督關系抽取\t87
5．6 實驗驗證\t91
5．7 本章小結\t95
參考文獻\t96
第6章基于知識遷移的關系抽取\t101
6．1 引言\t101
6．2 同類別遷移的關系抽取\t102
6．2．1 引言\t102
6．2．2 相關工作\t104
6．2．3 基于領域分離映射的領域自適應關系抽取框架\t106
6．2．4 實驗部分\t111
6．2．5 總結與分析\t117
6．3 跨類別遷移的關系抽取\t118
6．3．1 引言\t118
6．3．2 相關工作\t120
6．3．3 基于任務感知的小實例關系抽取模型\t122
6．3．4 實驗部分\t129
6．3．5 總結與分析\t134
6．4 不均衡模型訓練方法\t135
6．4．1 引言\t135
6．4．2 相關工作\t137
6．4．3 基于多分布選擇的不均衡數(shù)據(jù)分類方法\t140
6．4．4 實驗部分\t144
6．4．5 總結與分析\t149
6．5 本章小結\t149
參考文獻\t150