

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、企業(yè)實體間關系的抽取是實體關系抽取的一種,是一種典型的信息抽取問題。在MUC和ACE評測的推動下,近年來國內外的實體關系抽取的研究工作取得了巨大進步,研究者提出了眾多有效的解決方法。其中基于機器學習的方法,在定義好關系類型的前提下,將關系抽取問題轉換為分類問題,顯示了非常好的性能。基于平面特征向量的方法就是全監(jiān)督學習的一種,它針對實體對在句子中的上下文中的詞語、詞性、實體類型等構建特征向量,建立向量空間模型,進而使用分類器進行關系類型識
2、別。本文使用了這一種方法。另一種全監(jiān)督學習的方法使用了核特征,它是在實體對出現(xiàn)的上下文片段中進行淺層句法分析,通過構造核函數(shù)計算兩個結構對象(如語法樹結構)的的相似性,也取得非常不錯的效果。
我們首先針對企業(yè)關系的特點,定義出了六種典型的關系類型,并為每一種關系定義相應的關鍵詞列表,然后從web上爬取得到一個較大規(guī)模的數(shù)據(jù)集。數(shù)據(jù)集經(jīng)過預處理之后,人工標注出一個小規(guī)模的實例集合,并隨機生成一個測試集。本文首先將我們的標注集合作
3、為訓練數(shù)據(jù),使用了平面特征向量的全監(jiān)督學習的方法構建了一個企業(yè)實體關系抽取系統(tǒng)。系統(tǒng)使用的平面特征包括實體前后的一定窗口大小內的四種詞,使用了SVM和kNN兩種分類器。
現(xiàn)存的多數(shù)方法是基于大規(guī)模標注語料,進行全監(jiān)督學習從而獲得抽取結果。然而在現(xiàn)實中大多數(shù)情況下,我們缺乏標注語料,同時又易獲得大量的未標注語料。為此本文構建了一種基于模板的半監(jiān)督學習的企業(yè)實體關系抽取系統(tǒng)。這個系統(tǒng)將標注數(shù)據(jù)作為種子,運用了一套有效的模板學習和評
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于弱指導學習的實體間語義關系抽取研究.pdf
- 基于文本的實體—關系抽取技術研究.pdf
- 基于機器學習的藥名實體識別及藥物關系抽取.pdf
- 基于核函數(shù)的命名實體關系抽取技術研究.pdf
- 基于迭代方法的命名實體關系抽取技術研究.pdf
- 基于監(jiān)督學習的校友實體關系抽取研究.pdf
- 實體關系抽取關鍵技術研究.pdf
- 基于特征向量的實體間語義關系抽取研究.pdf
- 基于特征向量的中文實體間語義關系抽取研究.pdf
- 基于弱監(jiān)督學習的實體關系抽取方法研究.pdf
- 命名實體間語義關系抽取研究.pdf
- 基于KSVM的中文實體關系抽取研究.pdf
- 基于SVM的中文實體關系抽取研究.pdf
- 中文開放式實體關系抽取技術研究.pdf
- 實體關系自動抽取技術的比較研究.pdf
- 基于半監(jiān)督和深度學習的生物實體關系抽取.pdf
- 基于機器學習的蛋白質命名實體識別和相互作用關系抽取的研究.pdf
- 基于本體的實體關系抽取與檢索.pdf
- 基于svm的中文實體關系抽取研究(1)
- 基于深度學習的屬性抽取技術研究.pdf
評論
0/150
提交評論