论文目录 | |
摘要 | 第1-7页 |
ABSTRACT | 第7-13页 |
第一章 绪论 | 第13-22页 |
1.1 研究背景及意义 | 第13-15页 |
1.2 国内外研究现状及存在问题 | 第15-19页 |
1.2.1 基于包级别的远程监督关系抽取任务国内外研究现状 | 第15-17页 |
1.2.2 基于句子级别的远程监督关系抽取去噪任务国内外研究现状 | 第17页 |
1.2.3 基于句子级别的远程监督关系抽取对抗噪声干扰任务国内外研究现状 | 第17-18页 |
1.2.4 远程监督关系抽取任务存在问题 | 第18-19页 |
1.3 研究内容概述 | 第19-20页 |
1.4 论文结构 | 第20-22页 |
第二章 远程监督关系抽取任务及相关技术 | 第22-28页 |
2.1 远程监督关系抽取任务概述 | 第22-23页 |
2.2 评测标准 | 第23-24页 |
2.3 数据集 | 第24-25页 |
2.4 基线模型 | 第25页 |
2.5 模型引入的相关技术 | 第25-27页 |
2.5.1 对抗式训练 | 第25-26页 |
2.5.2 句向量机制 | 第26-27页 |
2.6 本章小结 | 第27-28页 |
第三章 基于包级别的远程监督关系抽取任务方法研究与实现 | 第28-40页 |
3.1 具体研究挑战及解决方案 | 第28-29页 |
3.1.1 具体研究挑战 | 第28页 |
3.1.2 解决方案 | 第28-29页 |
3.2 基于循环卷积神经网络的远程监督关系抽取方法研究与实现 | 第29-34页 |
3.2.1 模型整体架构 | 第29-30页 |
3.2.2 主要研究内容 | 第30-34页 |
3.3 实验设置及结果分析 | 第34-38页 |
3.3.1 实验数据集介绍 | 第34-35页 |
3.3.2 实验模型设置及实验过程 | 第35-36页 |
3.3.3 实验结果分析 | 第36-38页 |
3.4 本章小结 | 第38-40页 |
第四章 基于句子级别的远程监督关系抽取去噪任务方法研究与实现 | 第40-52页 |
4.1 具体研究挑战及解决方案 | 第40-41页 |
4.1.1 具体研究挑战 | 第40页 |
4.1.2 解决方案 | 第40-41页 |
4.2 结合噪声网络的强化学习远程监督关系抽取方法研究与实现 | 第41-48页 |
4.2.1 模型整体架构 | 第41-42页 |
4.2.2 主要研究内容 | 第42-48页 |
4.2.2.1 强化学习介绍 | 第42页 |
4.2.2.2 基于句子级别的强化学习远程监督关系抽取模型 | 第42-46页 |
4.2.2.3 结合噪声网络的扰动机制 | 第46-48页 |
4.3 实验设置与结果分析 | 第48-51页 |
4.3.1 实验数据集介绍 | 第48页 |
4.3.2 实验模型设置及实验过程 | 第48-49页 |
4.3.3 实验结果分析 | 第49-51页 |
4.4 本章小结 | 第51-52页 |
第五章 基于句子级别的远程监督关系抽取抗噪声干扰任务模型研究与实现 | 第52-60页 |
5.1 具体研究挑战及解决方案 | 第52-53页 |
5.1.1 具体研究挑战 | 第52页 |
5.1.2 解决方案 | 第52-53页 |
5.2 基于句子级别的对抗式远程监督关系抽取模型 | 第53-56页 |
5.2.1 模型整体架构 | 第53-54页 |
5.2.2 主要研究内容 | 第54-56页 |
5.3 实验设置与结果分析 | 第56-58页 |
5.3.1 实验数据集 | 第56-57页 |
5.3.2 模型参数设置及实验过程 | 第57-58页 |
5.3.3 实验结果分析 | 第58页 |
5.4 本章小结 | 第58-60页 |
第六章 远程监督关系抽取任务平台搭建 | 第60-69页 |
6.1 Django框架介绍 | 第60-61页 |
6.2 整体框架 | 第61-63页 |
6.2.1 数据存储模块 | 第62页 |
6.2.2 系统功能实现模块 | 第62-63页 |
6.2.3 Web后台和UI模块 | 第63页 |
6.3 平台展示 | 第63-67页 |
6.3.1 噪声筛选功能模块 | 第63-66页 |
6.3.2 关系预测功能模块 | 第66-67页 |
6.4 本章小结 | 第67-69页 |
第七章 总结与展望 | 第69-71页 |
7.1 工作总结 | 第69页 |
7.2 研究与展望 | 第69-71页 |
参考文献 | 第71-76页 |
致谢 | 第76-77页 |
攻读学位期间取得的研究成果 | 第77-78页 |
专利申请情况 | 第78页 |