面向《大词林》的中文实体关系挖掘--《哈尔滨工业大学》2016年硕士论文
面向《大词林》的中文实体关系挖掘
【摘要】：随着计算机与互联网的快速发展,通过互联网所产生的数据规模急剧增加,如何能够从海量数据中精准快捷获取有价值的信息已经成为了国内外研究的热点之一。信息抽取正是在这种背景下产生的。信息抽取的主要目的为从自然语言文本之中抽取事实类信息,如指定的实体、关系、时间等,即将自然语言文本中蕴含的无结构信息转换成半结构化或结构化的信息。实体关系抽取为信息抽取中的一个子任务,其中传统实体关系抽取任务需要预先定义关系类别体系,然后在定义好的关系类别体系中根据实体及其上下文信息判断实体的语义关系类别。实际上,难以定义全面的实体关系类别体系,因此出现了开放式实体关系抽取技术,通常情况下使用实体关系指示词表示实体关系。本文面向《大词林》中丰富的上下位关系,使用基于字信息的词向量学习模型学习词向量表示,并以此学习上位关系向量表示,在实体上位关系识别实验结果上效果较好,并且很大程度上缓解了未登录词的问题。首先基于字信息的词向量模型可以学习出几乎任意词语的词向量,然后根据语料中的上下位词对学习上位关系向量并聚类,再学习每个簇的上位关系映射矩阵,最后利用学习所得的上位关系映射矩阵来判别上位关系是否成立。在未登录词多的数据集中,上位关系判别实验结果依然有着近80%的准确率。本文针对开放域实体关系抽取,使用LSTM学习开放域文本句子中的实体间句法依存路径信息。在开放域实体关系抽取之前,分析了各种RNNs的特点,并融合多方优势,使用Bi-LSTM-CRF在开放域实体边界识别上获得了78.92%的F1值。然后使用基于最短依存路径的SDP-LSTM进行实体关系抽取,分别使用2套参数学习实体1和实体2的最短依存路径,并使用了策略可以处理各种形式的实体关系依存路径候选,最后在开放域实体关系抽取上取得了不错的结果,可以将抽取的优质结果导入《大词林》中。面向《大词林》中丰富的实体库及上下位关系,本文使用从百科信息框中获取的大量实体关系三元组在《大词林》中获取可能存在实体关系的上下位词对,并提出上位词泛化程度的概念,筛选出低上位词泛化的上下位词对,两两组合其中的实体,借助搜索引擎结果获取实体对的关系候选并进行判别。实验结果表明,本文提出的实体关系候选判别特征有效。
【学位授予单位】：哈尔滨工业大学【学位级别】：硕士【学位授予年份】：2016【分类号】：TP391.1
欢迎：、、)
支持CAJ、PDF文件格式
&快捷付款方式
&订购知网充值卡
400-819-9993霸屏社：利用搜索引擎上位的方法霸屏社：利用搜索引擎上位的方法silent1百家号在网上做品牌推广的企业都应该尊重职业的规矩，网络营销企业想要进入这个职业就应该契合法律法规，很多不遵守品德的企业常常会做“黑帽子”的工作，也就是使用查找引擎规矩将自己的网站排名推前。而霸屏社之所以能在这个职业安身那么久，就是由于，霸屏社是一个考究网络规矩的好企业。这靠的不是什么漏洞和什么潜规矩，靠的就是诚实和守信。我们了解查找引擎规矩之前我们都应该去了解查找引擎之所以会遭到那么多人追捧的原因是什么？查找引擎开端的时分就是让用户们能够自在的查找到自己想要成果，所以我们会发现一般我们查找到的答案都是比较契合我们心中预期的成果。这是由于查找引擎的规划理念就是让用户们找到适宜的答案，所以规矩上的规划就是什么对用户有协助，那么什么就会变成有用的答案。我们霸屏社就是树立在这上面完成对我们客户的协助，我们对客户们的协助就是协助他们完成有价值的信息出产。我们能够理解为是，网站建设，文案策划，网络推广和咨询效劳等等的一条龙效劳，为的就是协助客户们真实的完成有价值的内容出产，协助客户们在品牌上完成增值。优质、精准的内容是查找引擎最喜欢的东西，只需霸屏社站在用户的角度去考虑网站内容，那么用户自然会点击，为我们的内容买单。霸屏社为企业、个人、机构提供全方位的软文营销、品牌推广服务！专注软文推广，致力于为用户提供“一站式服务”，秉持“客户第一”的理念，打造软文市场领导品牌。基础式铺垫营销，热点式营销，权威品牌营销，定制化需求，咨询霸屏社官微：bapingshe！！本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。silent1百家号最近更新：简介:无个性所以不签名。。。作者最新文章相关文章突发事件案例及其舆情信息爬取、分类及语义检索研究--《天津大学》2016年硕士论文
突发事件案例及其舆情信息爬取、分类及语义检索研究
【摘要】：当代突发事件的新闻报道和相关研究文章呈爆发式增长。面对海量的突发事件案例和舆情数据,为了挖掘突发事件特征及关联关系,本文提出了突发事件案例及其舆情本体模型,将爬取、分类、检索等工作抽象出模板,针对数据爬取、抽取、分类的可配置需求进行了建模、设计和实现,完成了以下工作:第一,提出了突发事件案例及其舆情本体模型。模型以ABC Ontology模型为上位本体,结合搜索引擎的爬取、抽取、分类等步骤,抽象出可配置模板,分别完成了案例及其舆情爬取可配置建模,案例抽取可配置建模,案例分类可配置建模。第二,提出了突发事件案例及其舆情处理与语义检索平台设计。针对突发事件案例及其舆情信息的特点与结构,设计出整体平台框架、信息处理流程与数据结构,并按照模块划分,分别对数据爬取模块、数据抽取模块、数据分类模块、案例入库模块和案例语义检索模块进行流程设计,数据结构设计与功能设计。第三,完成了突发事件案例及其舆情处理与语义检索平台实现,分别通过新华网RSS推送新闻的实例、中国应急分析网新闻专题实例、兰州大学案例库实例,从RSS推送新闻、新闻专题、案例库三个方面介绍平台的数据爬取过程、数据抽取过程、数据分类过程、案例入库过程和语义检索功能。本文构建了突发事件案例及其舆情信息本体模型以及数据爬取、抽取与分类的可配置模板,并完成平台实现。并且通过对不同数据源的平台实现验证了模型的通用性,为突发事件特征及关联关系挖掘提供了有效的平台支撑。
【学位授予单位】：天津大学【学位级别】：硕士【学位授予年份】：2016【分类号】：TP391.3
欢迎：、、)
支持CAJ、PDF文件格式
【相似文献】
中国期刊全文数据库
曹茂诚;王英龙;王金栋;窦青青;;[J];信息技术与信息化;2007年03期
张慧;蒋开伟;冯玉珉;;[J];科技信息;2006年10期
李晨光;;[J];科技情报开发与经济;2008年32期
黄敏;赖茂生;;[J];图书情报工作;2008年06期
胡哲;郑诚;王艳玲;;[J];计算机技术与发展;2008年10期
刘珊慧;万韵;杨乐;;[J];安徽农业科学;2009年23期
楚书来;张瑞;;[J];黑龙江科技信息;2010年24期
付苓;崔新春;谢娟;连慧平;;[J];山东图书馆学刊;2010年04期
张世勇;陈运启;;[J];重庆工商大学学报(自然科学版);2010年05期
马中杰;郑诚;苏喻;;[J];微型机与应用;2010年20期
中国重要会议论文全文数据库
王洪俊 ;沈水荣 ;黄翬 ;;[A];中国新闻技术工作者联合会2011年学术年会论文集（上篇）[C];2011年
张赪军;刘祥瑞;李军;黄红梅;;[A];全国第4届信号和智能信息处理与应用学术会议论文集[C];2010年
邹文科;孟祥武;;[A];2006年全国理论计算机科学学术年会论文集[C];2006年
梁美玉;杜军平;高田;;[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年
丁政建;张路;;[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年
李伟刚;张克亮;王慧兰;;[A];中国计算语言学研究前沿进展（）[C];2011年
刘广艳;孙莹;黄保海;林培光;;[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年
龙妍;;[A];中国新闻技术工作者联合会五届一次理事会暨学术年会论文集（上篇）[C];2009年
中国重要报纸全文数据库
易银军;[N];长江日报;2005年
阎久石;[N];甘肃日报;2004年
郭鹏;[N];承德日报;2006年
张启民 实习生
张金丽;[N];赤峰日报;2007年
李晓萌 通讯员
黄晗;[N];长江日报;2007年
本报记者　 王媛媛;[N];楚雄日报(汉);2006年
马霁梅;[N];楚雄日报(汉);2007年
魏超鹏;[N];大理日报(汉);2007年
张永兵;[N];抚顺日报;2007年
记者　白育庆;[N];甘肃日报;2007年
中国博士学位论文全文数据库
王琦;[D];浙江大学;2011年
陈叶旺;[D];复旦大学;2009年
梅翔;[D];北京邮电大学;2007年
张乃静;[D];中国林业科学研究院;2013年
姚原岗;[D];浙江大学;2012年
宣云干;[D];南京大学;2011年
中国硕士学位论文全文数据库
刘宇;[D];天津大学;2016年
束建钢;[D];南京信息工程大学;2015年
谢文铎;[D];内蒙古大学;2015年
杨小玲;[D];浙江大学;2015年
邱璇;[D];西南科技大学;2015年
方文婷;[D];江西师范大学;2015年
党亚洲;[D];新疆大学;2015年
石倩倩;[D];东北大学;2014年
张星;[D];合肥工业大学;2015年
俞婷;[D];重庆大学;2015年
&快捷付款方式
&订购知网充值卡
400-819-9993}