声明
第一章 绪论
1.1 研究背景及意义
1.2 研究现状
1.2.1 串联提取方法
1.2.2 联合提取方法
1.3.1 现有模型缺陷分析
1.3.2 本文贡献与创新
1.4 本文的组织结构安排
第二章 多头选择联合提取基础模型
2.1.1 编解码模型框架
2.1.2 基于词向量与字符向量的混合嵌入层
2.1.3 BiLSTM编码层
2.1.4 实体标注层
2.1.5 基于词对信息的多头关系选择层
2.1.6 适应性矩估计优化函数
2.2.1 混淆矩阵
2.2.2 训练耗时
2.3 本章小结
第三章 基于ELMo的残差多头选择联合提取模型
3.1 ELMo动态嵌入表征
3.2 残差模块
3.3 基于ELMo的残差多头选择联合提取模型
3.3.1 基于ELMo的词嵌入层
3.3.2 结合残差模块的实体标注层
3.3.3 结合残差模块的多头关系选择层
3.3.4 应用修剪的适应性矩估计优化函数
3.4.1 实验环境
3.4.2 实验数据
3.4.3 实验结果与分析
3.5 本章小结
第四章 基于改进子句的多头自注意力联合提取模型
4.1.1 注意力机制
4.1.2 自注意力机制
4.1.3 多头注意力机制
4.2 子句表征信息
4.2.1 平均子句
4.2.2 注意力子句
4.3 基于改进子句的多头自注意力联合提取模型
4.3.1 结合多头自注意力机制与BiLSTM的混合编码层
4.3.2 结合词对与子句表征信息的多头关系选择层
4.4 实验结果与分析
4.5 本章小结
第五章 总结与展望
5.1 本文工作总结
5.2 不足与展望
致谢
参考文献
攻读硕士学位期间取得的成果
