导读:本文包含了实体关系抽取论文开题报告文献综述及选题提纲参考文献，主要关键词:人物实体关系,关系发现,实体抽取,技术
实体关系抽取论文文献综述
李福琳[1]（2019）在《实体抽取及关系发现关键技术研究》一文中研究指出近年来,随着互联网科技的飞速发展,互联网文本中所蕴含的信息量与信息价值逐渐增多,但是由于互联网文本中所包含的实体关系复杂多变,单独依靠人工和以往的经验去发现实体关系并对有效信息进行抽取,变得愈发困难,已经逐渐无法满足信息实体抽取的实际需求。因此,如何利用现代计算机技术,实现从互联网文本汇总实现关系实体关系发现与实体抽取,成为语言处理与信息抽取的首要研究方向。本文主要对实体抽取及关系发现的关键技术进行研究,对实体抽取及关系发现的技术发展方向进行探讨。(本文来源于《信息技术与信息化》期刊2019年10期）
李卫疆,李涛,漆芳[2]（2019）在《基于多特征自注意力BLSTM的中文实体关系抽取》一文中研究指出实体关系抽取解决了原始文本中目标实体之间的关系分类问题,同时也被广泛应用于文本摘要、自动问答系统、知识图谱、搜索引擎和机器翻译中。由于中文句式和语法结构复杂,并且汉语有更多歧义,会影响中文实体关系分类的效果。该文提出了基于多特征自注意力的实体关系抽取方法,充分考虑词汇、句法、语义和位置特征,使用基于自注意力的双向长短期记忆网络来进行关系预测。在中文COAE 2016Task 3和英文SemEval 2010Task 8数据集上的实验表明该方法表现出了较好的性能。(本文来源于《中文信息学报》期刊2019年10期）
李青青,杨志豪,罗凌,林鸿飞,王健[3]（2019）在《基于多任务学习的生物医学实体关系抽取》一文中研究指出生物医学实体关系抽取是生物医学文本挖掘领域的一项重要任务,它可以自动从生物医学文本中挖掘实体间的相互关系。目前,生物医学实体关系抽取方法一般只针对某一特定任务(如药物关系,蛋白质交互关系抽取等)训练单任务模型进行抽取,忽略了多个任务之间的相关性。因此,该文使用基于神经网络的多任务学习方法对多个生物医学关系抽取任务间的关联性进行了探索。首先构建了全共享模型和私有共享模型,然后在此基础上提出了一种基于Attention机制的主辅多任务模型。在生物医学领域关系抽取的5个公开数据集上的实验结果表明,该文的多任务学习方法可以有效地在学习任务之间共享信息,使得任务间互相促进,获得了比单任务方法更好的关系抽取结果。(本文来源于《中文信息学报》期刊2019年08期）
冯建周,宋沙沙,王元卓,刘亚坤,武红颖[4]（2019）在《基于改进注意力机制的实体关系抽取方法》一文中研究指出实体关系抽取是知识库构建中至关重要的一个环节.在众多的实体关系抽取方法中,远程监督结合神经网络模型的方法在准确率等性能上是比较令人满意的,但远程监督获取的标注语料中往往存在大量的噪声数据,给实体关系抽取模型的训练带来了很大的影响.本文提出一种基于改进注意力机制的卷积神经网络实体关系抽取模型.该模型针对包含同一实体对的句子集合,从中尽可能地找出所有体现该实体对关系的正实例,构建组合句子向量,抛弃可能的噪声句子,从而最大程度地降低噪声句子的影响又能充分利用正实例的语义信息.实验证明,本文提出的关系抽取模型在准确率上优于对比的关系抽取模型.(本文来源于《电子学报》期刊2019年08期）
曹明宇,杨志豪,罗凌,林鸿飞,王健[5]（2019）在《基于神经网络的药物实体与关系联合抽取》一文中研究指出药物实体及关系抽取研究对于生物医学研究具有重要的促进作用,也是进一步构建生物医学知识库的基础.现存方法主要采用流水线方式,即先对文本进行实体识别后再对实体对进行关系分类.流水线方法主要存在任务错误传播、未能考虑2个子任务的相互影响和句子中不同关系的相互影响的问题.针对这些问题,提出了一种基于神经网络的药物实体与关系联合抽取方法.使用了一种新标注模式,将药物实体及关系的联合抽取转化为端对端的序列标注任务.使用词向量和字符向量作为词表示输入,使用BiLSTM-CRF模型进行药物实体与关系联合抽取.实验结果表明:在药物-药物交互作用(drug-drug interactions, DDI)2013语料集上,取得了89.9%的实体识别F-score及67.3%的关系抽取F-score,优于使用相同模型的流水线方法.(本文来源于《计算机研究与发展》期刊2019年07期）
朱珊珊,唐慧丰[6]（2019）在《基于BiLSTM_Att的军事领域实体关系抽取研究》一文中研究指出军事领域中实体关系的抽取是该领域相关体系知识图谱建设的重要步骤。本文设计了基于BiLSTM和注意力模型(Attention)的实体抽取模型,该模型分为词向量表示、句子上下文特征提取以及关系分类叁个阶段。在词向量表示阶段,模型创新性地加入词性特征。在对相关语料进行实验验证的基础上,结果显示该模型对军事类实体关系抽取有较好的F值。(本文来源于《智能计算机与应用》期刊2019年04期）
冯贤鹤[7]（2019）在《基于LSTM的实体关系抽取研究》一文中研究指出随着社会经济的迅速发展,互联网技术在近几年中获得了快速的发展,用户规模也呈现出了激增的态势,与此有关的互联网文本数据规模也逐年递增。在这些海量的文本数据当中,如何更为有效的寻找、提取目标信息,正成为影响互联网技术发展的迫切难题。现如今,随着人们生活水平的提高,语音识别技术、机器翻译技术、自动问答、互联网搜索等都离不开知识库,而实体关系抽取正是构建知识库的重要技术,从技术角度来讲就是从文本数据中把实体之间的语义关系提取出来。这一技术已经成为自然语言处理、机器智能学习、大数据挖掘等技术发展的关键因素,同时也意味着这一技术关系着我国未来的工业和信息化发展,具有非常广阔的应用前景。关系抽取可以称之为关系分类技术,在当前多个深度学习模型中,基于长短期记忆单元(LSTM)的循环神经网络(RNN)模型因为其能有效利用序列数据中长距离依赖信息的能力,被认为特别适合文本序列数据的处理。因此,本文提出一个基于LSTM的深度学习模型来解决关系分类问题。在基于LSTM的基础上,本文首先对词嵌入技术进行了研究,通过神经网络将词语嵌入到一个实数向量中,这个实数向量是低维度的,有效避免了传统词向量缺乏语义信息的缺点。其次,本文还对相关的数据文本特征进行了研究,提出了四种文本特征方案,将特征向量输入到双向LSTM(BLSTM)模型。之后,结合Attention机制,将不同的权重应用到相对应的时刻当中,不仅能够使模型保留有效信息,还能最大程度解决信息冗余的问题,优化文本特征向量。最后,使用梯度提升树GBDT作为分类器,在一定程度上解决了传统以Softmax用作分类器带来的模型泛化能力不强的现实困境,进一步提升关系分类的精度。此外,本文在研究的过程中还实现了实体关系结果的可视化,方便我们能够査看图数据库中的整体或局部情况,用户通过简单的操作就能查看实体之间的关联。(本文来源于《云南财经大学》期刊2019-06-16）
张玉坤,刘茂福,胡慧君[8]（2019）在《基于联合神经网络模型的中文医疗实体分类与关系抽取》一文中研究指出近年来,医疗健康领域的实体分类与关系抽取引起了广泛关注。以往工作大多采用流水线模型,此类模型容易忽略任务间联系并造成错误传播,而联合学习则能够很好地避免这2个问题。为此,把卷积神经网络与支持向量机、条件随机场相结合,构建了联合神经网络模型。在此模型基础上,以参数共享的方式,分别通过任务联合、模型联合以及特征联合对实体分类与关系抽取2个任务进行联合学习,在药品说明书语料库中取得了非常不错的效果,实体分类和关系抽取的F值分别达到了98.0%和98.3%。实验表明,联合神经网络模型对于实体分类和关系抽取是非常有效的。(本文来源于《计算机工程与科学》期刊2019年06期）
孙媛,王丽客,郭莉莉[9]（2019）在《基于改进词向量GRU神经网络模型的藏语实体关系抽取》一文中研究指出互联网数据的爆炸式增长,使得研究热点更多转向Web内容结构化分析。如果将藏语知识以结构化形式表示,那么将会有利于藏语知识的结构化分析和深度挖掘。该文提出了一种优化词向量的GRU神经网络模型进行藏语实体关系抽取的方法。在模型的训练中,加入了优化的词向量,在传统的词向量模型中结合藏语音节向量、音节位置向量、词性向量等特征对词向量进一步优化,并且选取了藏语词汇特征和藏语句子特征。实验证明,通过使用改进词向量F_1值达到了78.43%。(本文来源于《中文信息学报》期刊2019年06期）
干家东[10]（2019）在《参数共享模式下的实体和关系联合抽取研究》一文中研究指出在日常生活中,大量的信息通过自然语言文本作为载体进行传递。人们使用信息抽取的方法从非结构化文本中获取重要信息,命名实体识别和关系抽取是基础的两个任务,分别用于实体和关系信息的获取。人们通过共享底层参数的联合方法,将两个任务结合,在提升效率的基础上追求更高的性能。现有的联合抽取技术会产生冗余信息,增加模型计算的复杂度,对模型训练产生干扰。此外,命名实体识别作为其中一项任务,通过实际应用研究其技术要点,对推进联合抽取的发展具有重要意义。针对上述内容,本文主要的研究工作包括:设计了端到端的神经网络模型和标注体系进行实体和关系联合抽取。部分现有的联合模型通过使用一些自然语言处理工具获取句法和语法等特征信息,在模型训练过程中存在误差传播。而神经网络模型可以有效学习文本特征,避免了人工特征的限制。针对任务设计了动态记忆单元,可以动态地捕捉和存储输入文本中的关系信息,进行关系检测。同时可以利用存储的关系信息帮助进行命名实体识别,在实验中有效提升了模型性能。利用命名实体识别技术构建面向特定领域的文本自动化解析系统,比较不同编码器、解码器结构在试验中的性能,剖析命名实体识别的技术要点。(本文来源于《北京邮电大学》期刊2019-06-03）
实体关系抽取论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
实体关系抽取解决了原始文本中目标实体之间的关系分类问题,同时也被广泛应用于文本摘要、自动问答系统、知识图谱、搜索引擎和机器翻译中。由于中文句式和语法结构复杂,并且汉语有更多歧义,会影响中文实体关系分类的效果。该文提出了基于多特征自注意力的实体关系抽取方法,充分考虑词汇、句法、语义和位置特征,使用基于自注意力的双向长短期记忆网络来进行关系预测。在中文COAE 2016Task 3和英文SemEval 2010Task 8数据集上的实验表明该方法表现出了较好的性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
实体关系抽取论文参考文献
[1].李福琳.实体抽取及关系发现关键技术研究[J].信息技术与信息化.2019
[2].李卫疆,李涛,漆芳.基于多特征自注意力BLSTM的中文实体关系抽取[J].中文信息学报.2019
[3].李青青,杨志豪,罗凌,林鸿飞,王健.基于多任务学习的生物医学实体关系抽取[J].中文信息学报.2019
[4].冯建周,宋沙沙,王元卓,刘亚坤,武红颖.基于改进注意力机制的实体关系抽取方法[J].电子学报.2019
[5].曹明宇,杨志豪,罗凌,林鸿飞,王健.基于神经网络的药物实体与关系联合抽取[J].计算机研究与发展.2019
[6].朱珊珊,唐慧丰.基于BiLSTM_Att的军事领域实体关系抽取研究[J].智能计算机与应用.2019
[7].冯贤鹤.基于LSTM的实体关系抽取研究[D].云南财经大学.2019
[8].张玉坤,刘茂福,胡慧君.基于联合神经网络模型的中文医疗实体分类与关系抽取[J].计算机工程与科学.2019
[9].孙媛,王丽客,郭莉莉.基于改进词向量GRU神经网络模型的藏语实体关系抽取[J].中文信息学报.2019
[10].干家东.参数共享模式下的实体和关系联合抽取研究[D].北京邮电大学.2019