自然语言处理技术:实体关系抽取研究

\\\"实体识别和关系抽取作为知识图谱自动构建的关键技术，长期以来一直是学术界和产业界关注的焦点。本书在内容上尽可能涵盖实体关系抽取的各方面内容，全书共7章，在章节的组织上，针对实体关系抽取领域的关键难题，尽可能梳理出问题成因、关键问题的思路、关键的技术以及未来的发展趋势。第1章绪论部分介绍了实体关系抽取的研究背景及意义，概述了基本概念及问题描述。第2章介绍了本书涉及到的自然语言处理与深度学习相关基础理论知识和模型。第3、4、6章围绕句子级别的关系抽取进行研究，讨论一些有效的方法（嵌套实体识别、多关系抽取、实体关系联合抽取），并介绍相关的应用场景。第5章介绍了两种篇章级别关系抽取方法。最后，第7章对本书的主要研究工作和创新点进行了总结，并对实体关系联合抽取的未来研究方向进行了展望。 本书可作为高等院校计算机及相关专业本科生或者研究生课程的教材，也可供自然语言处理爱好者自学和参考。 \\\"

\"黄河燕，语言智能处理与机器翻译领域专家，北京理工大学人工智能研究院院长、北京市海量语言信息处理与云计算应用工程技术研究中心主任、信息智能处理与内容安全工信部重点实验室主任。兼任教育部计算机专业教指委副主任委员、中国中文信息学会监事长、信息技术新工科产学研联盟常务副理事长、中国人工智能学会和中国中文信息学会会士。黄河燕教授长期从事语言信息处理、信息内容安全、智能应用系统等领域的科学研究与产业化应用。获得了国家科技进步一等奖，北京市科学技术一等奖，中国电子学会科技进步一等奖，全国优秀科技工作者等十余项国家级和省部级奖励，享受国务院政府特殊津贴。 \"

第1章 绪论 1.1 研究背景及意义 1.2 基本概念及问题描述 1.2.1 实体识别 1.2.2 嵌套实体识别 1.2.3 关系抽取 1.2.4 多关系抽取 1.2.5 实体关系联合抽取 1.2.6 实体关系抽取应用 1.3 典型方法与代表性系统 1.3.1 半监督抽取 1.3.2 监督抽取 1.3.3 远程监督抽取 1.3.4 序列标注模型 1.3.5 句子分类模型 1.3.6 句法树模型 1.3.7 图模型 1.4 相关数据集与评测指标 1.4.1 ACE 2005 数据集 1.4.2 SemEval 数据集 1.4.3 CoNLL 数据集 1.4.4 GENIA 数据集 1.4.5 WebNLG 数据集 1.4.6 NYT 数据集 1.4.7 GIDS 数据集 1.4.8 性能评测及指标 1.5 本书章节组织架构 1.6 本章参考文献 第2章 基础理论及模型 2.1 词汇语义表示 2.1.1 One - hot 表示 2.1.2 Word2Vec 词向量表示 2.1.3 GloVe 词向量表示 2.1.4 ELMo 词向量表示 2.1.5 BERT 词向量表示 2.2 条件随机场 2.3 支持向量机 2.4 全连接神经网络 2.5 循环神经网络 2.5.1 普通循环神经网络 2.5.2 长短时记忆网络 2.5.3 门控循环单元网络 2.5.4 双向循环神经网络 2.5.5 递归神经网络 2.6 卷积神经网络 2.7 自注意机制网络 2.8 图神经网络 2.8.1 图卷积神经网络 2.8.2 图循环网络 2.9 多任务学习