掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
面向共融機器人的自然交互——命名實體識別與關系抽取 版權信息
- ISBN：9787302638322
- 條形碼：9787302638322 ; 978-7-302-63832-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
面向共融機器人的自然交互——命名實體識別與關系抽取 本書特色
國內首套面向共融機器人的智能信息處理基礎理論與關鍵實現技術論著。l 深度探討了面向開放領域的命名實體識別和關系抽取技術；
l 深度探討了實現魯棒性的命名實體識別和關系抽取方法與實現策略；l 系統論述了深度人工智能時代共融機器人自然交互的基礎理論與實現方法
面向共融機器人的自然交互——命名實體識別與關系抽取 內容簡介
共融機器人是能夠與作業環境、人和其他機器人自然交互、自主適應復雜動態環境并協同作業的機器人。“敏銳體貼型”的自然交互是共融服務機器人的研究熱點之一，業內當前迫切需要共融機器人具備理解復雜語義信息的能力。本書立足于深度學習方法的信息與知識抽取領域，從學習文本表示出發，系統地介紹了用于獲取現實世界知識信息中命名實體和實體關系的方法，并深入探討了如何在開放領域實現魯棒的實體關系分析。 本書是國內共融機器人自然交互領域**本系統介紹深度學習的命名實體識別和關系抽取的專業書籍，可為讀者掌握共融機器人研究領域信息與知識抽取的關鍵技術和基礎知識，追蹤該領域的發展前沿提供參考，適合人工智能科學與技術、人工智能等專業的學生及相關研究者閱讀。
面向共融機器人的自然交互——命名實體識別與關系抽取 目錄
第1篇引言
第1章對話信息中的命名實體識別3
1.1命名實體識別概述3
1.2相關研究方法概述5
1.2.1詞嵌入表示方法5
1.2.2上下文編碼架構7
1.2.3標簽解碼網絡8
1.3本章小結8
第2章垂直領域的實體關系分析10
2.1抽取垂直領域的實體關系11
2.1.1基于有監督方法的關系抽取11
2.1.2基于遠程監督方法的關系抽取12
2.1.3基于小樣本學習方法的關系抽取13
2.1.4實體和關系聯合抽取13
2.2相關研究方法綜述14
2.2.1卷積神經網絡14
2.2.2注意力機制14
2.2.3圖神經網絡15
2.2.4對抗訓練15
2.3本章小結16
第3章開放領域的實體關系分析17
3.1開放領域的實體關系抽取17
3.2相關研究方法綜述18
3.2.1自監督學習18
3.2.2開放世界分類18
3.2.3無監督聚類19
3.2.4深度度量學習19
3.2.5持續學習19
3.2.6對比學習20
3.3本章小結20
本篇小結21
目錄 面向共融機器人的自然交互——命名實體識別與關系抽取〖2〗〖2〗 〖1〗 第2篇對話信息中的命名實體識別
第4章基于SLSTM的上下文詞狀態與句子狀態表示模型25
4.1概述25
4.2基于GloVe的詞嵌入25
4.3基于雙向LSTM的字符級向量表示26
4.3.1LSTM神經網絡26
4.3.2雙向LSTM神經網絡29
4.3.3字符級向量表示模型29
4.4基于Attention機制的詞向量與字符向量連接30
4.5預訓練的額外詞表示31
4.5.1雙向語言模型31
4.5.2ELMo32
4.6上下文詞狀態表示33
4.7基于SLSTM構建面向命名實體識別的新的句子狀態表示33
4.8基于改進SLSTM構建面向命名實體識別的新的上下文詞狀態35
4.9標簽預測36
4.10實驗與分析37
4.10.1數據集37
4.10.2超參數38
4.10.3評估指標39
4.10.4實驗分析39
4.11本章小結43
第5章基于句子語義與SelfAttention機制的中文和英文NER模型44
5.1概述44
5.2模型的總體結構44
5.3詞嵌入層45
5.3.1英文詞嵌入層45
5.3.2中文詞嵌入層46
5.4SelfAttention機制47
5.4.1Attention機制48
5.4.2MultiHead Attention49
5.4.3SelfAttention50
5.5句子表示模型51
5.5.1基于雙向LSTM的句子表示模型51
5.5.2基于多通道CNN的句子表示模型51
5.6實驗與分析52
5.6.1數據集52
5.6.2超參數53
5.6.3模型探索53
5.6.4模型的橫向對比54
5.6.5模型的縱向對比56
5.7本章小結57
第6章融合了拼音嵌入與五筆嵌入的中文NER模型58
6.1概述58
6.2字符嵌入58
6.3拼音嵌入58
6.4五筆嵌入60
6.5融合多種嵌入的模型結構61
6.6實驗與分析62
6.6.1數據集62
6.6.2超參數63
6.6.3模型的橫向對比63
6.6.4消融實驗64
6.7本章小結65
本篇小結65
第3篇垂直領域的實體關系分析
第7章基于遠程監督方法的關系抽取69
7.1概述69
7.2深度卷積神經網絡70
7.2.1文本向量化表示70
7.2.2殘差神經網絡70
7.2.3補償機制72
7.2.4注意力機制73
7.3對抗訓練74
7.4實驗與分析74
7.4.1數據集和評估指標75
7.4.2實驗設置75
7.4.3補償機制的有效性76
7.4.4對抗訓練的有效性78
7.4.5與先進基線方法對比78
7.5不足和展望81
7.6本章小結81
第8章基于小樣本學習的關系抽取82
8.1概述82
8.2異構圖神經網絡83
8.2.1任務定義83
8.2.2節點的向量化表示83
8.2.3異構圖神經網絡中的節點84
8.2.4異構圖神經網絡中的邊85
8.2.5異構圖神經網絡中的狀態表示86
8.3異構圖神經網絡中的對抗訓練87
8.4實驗與分析87
8.4.1數據集和評估指標88
8.4.2實驗設置88
8.4.3異構圖神經網絡的有效性89
8.4.4異構圖神經網絡對噪聲數據的魯棒性90
8.4.5節點可視化表示91
8.4.6案例分析92
8.5不足與展望93
8.6本章小結94
第9章文檔級別的關系抽取方法95
9.1概述95
9.2文檔的向量化表示95
9.3“注意力”機制在文檔級別關系抽取中的應用98
9.4實驗與分析100
9.4.1數據集和評估指標100
9.4.2實驗設置101
9.4.3“注意力”機制的有效性102
9.5不足與展望103
9.6本章小結103
第10章基于表示迭代融合的實體和關系聯合抽取104
10.1概述104
10.2任務定義105
10.3表示迭代融合方法106
10.3.1節點向量化106
10.3.2異構圖神經網絡層107
10.3.3實體關系抽取108
10.4實驗與分析110
10.4.1數據集和評估指標110
10.4.2訓練細節和參數設置111
10.4.3模型對比實驗111
10.4.4不同類型的句子上的詳細的結果113
10.4.5分析和討論114
10.5本章小結118
本篇小結119
第4篇開放領域的實體關系分析
第11章基于動態閾值的開放關系檢測123
11.1概述123
11.2任務定義125
11.3基于生成式負樣本的動態閾值方法125
11.3.1關系表示125
11.3.2動態閾值126
11.3.3生成式負樣本127
11.4實驗與分析128
11.4.1數據集128
11.4.2評價指標128
11.4.3基線模型129
11.4.4參數設置和訓練細節129
11.4.5結果與討論129
11.5本章小結135
第12章基于自加權損失的開放關系抽取136
12.1概述136
12.2任務定義137
12.3基于自加權損失的半監督學習框架137
12.3.1關系表示抽取模塊138
12.3.2基于深度度量學習的知識遷移138
12.3.3基于聚類的開放關系發現139
12.4實驗與分析140
12.4.1數據集140
12.4.2評價指標140
12.4.3基線模型140
12.4.4參數設置和訓練細節141
12.4.5結果和討論141
12.5本章小結146
第13章基于一致性表示學習的持續關系抽取147
13.1概述147
13.2任務定義148
13.3一致性表示學習方法148
13.3.1編碼器149
13.3.2新任務的初始訓練150
13.3.3為記憶選擇代表性樣本150
13.3.4一致性表示學習150
13.3.5基于類均值的預測152
13.4實驗與分析152
13.4.1數據集153
13.4.2評價指標153
13.4.3基線模型153
13.4.4訓練細節和參數設置153
13.4.5結果和討論154
13.5本章小結158
第14章開放域文本關系抽取的可擴展可視化平臺159
14.1概述159
14.2文本開放關系抽取系統160
14.2.1數據集管理161
14.2.2模型管理161
14.2.3可視化模塊162
14.2.4開放關系抽取流水線162
14.3本章小結164
本篇小結164
參考文獻165
附錄A英文縮寫對照表180
附錄B圖片索引183
附錄C表格索引185
結束語187
第1章對話信息中的命名實體識別3
1.1命名實體識別概述3
1.2相關研究方法概述5
1.2.1詞嵌入表示方法5
1.2.2上下文編碼架構7
1.2.3標簽解碼網絡8
1.3本章小結8
第2章垂直領域的實體關系分析10
2.1抽取垂直領域的實體關系11
2.1.1基于有監督方法的關系抽取11
2.1.2基于遠程監督方法的關系抽取12
2.1.3基于小樣本學習方法的關系抽取13
2.1.4實體和關系聯合抽取13
2.2相關研究方法綜述14
2.2.1卷積神經網絡14
2.2.2注意力機制14
2.2.3圖神經網絡15
2.2.4對抗訓練15
2.3本章小結16
第3章開放領域的實體關系分析17
3.1開放領域的實體關系抽取17
3.2相關研究方法綜述18
3.2.1自監督學習18
3.2.2開放世界分類18
3.2.3無監督聚類19
3.2.4深度度量學習19
3.2.5持續學習19
3.2.6對比學習20
3.3本章小結20
本篇小結21
目錄 面向共融機器人的自然交互——命名實體識別與關系抽取〖2〗〖2〗 〖1〗 第2篇對話信息中的命名實體識別
第4章基于SLSTM的上下文詞狀態與句子狀態表示模型25
4.1概述25
4.2基于GloVe的詞嵌入25
4.3基于雙向LSTM的字符級向量表示26
4.3.1LSTM神經網絡26
4.3.2雙向LSTM神經網絡29
4.3.3字符級向量表示模型29
4.4基于Attention機制的詞向量與字符向量連接30
4.5預訓練的額外詞表示31
4.5.1雙向語言模型31
4.5.2ELMo32
4.6上下文詞狀態表示33
4.7基于SLSTM構建面向命名實體識別的新的句子狀態表示33
4.8基于改進SLSTM構建面向命名實體識別的新的上下文詞狀態35
4.9標簽預測36
4.10實驗與分析37
4.10.1數據集37
4.10.2超參數38
4.10.3評估指標39
4.10.4實驗分析39
4.11本章小結43
第5章基于句子語義與SelfAttention機制的中文和英文NER模型44
5.1概述44
5.2模型的總體結構44
5.3詞嵌入層45
5.3.1英文詞嵌入層45
5.3.2中文詞嵌入層46
5.4SelfAttention機制47
5.4.1Attention機制48
5.4.2MultiHead Attention49
5.4.3SelfAttention50
5.5句子表示模型51
5.5.1基于雙向LSTM的句子表示模型51
5.5.2基于多通道CNN的句子表示模型51
5.6實驗與分析52
5.6.1數據集52
5.6.2超參數53
5.6.3模型探索53
5.6.4模型的橫向對比54
5.6.5模型的縱向對比56
5.7本章小結57
第6章融合了拼音嵌入與五筆嵌入的中文NER模型58
6.1概述58
6.2字符嵌入58
6.3拼音嵌入58
6.4五筆嵌入60
6.5融合多種嵌入的模型結構61
6.6實驗與分析62
6.6.1數據集62
6.6.2超參數63
6.6.3模型的橫向對比63
6.6.4消融實驗64
6.7本章小結65
本篇小結65
第3篇垂直領域的實體關系分析
第7章基于遠程監督方法的關系抽取69
7.1概述69
7.2深度卷積神經網絡70
7.2.1文本向量化表示70
7.2.2殘差神經網絡70
7.2.3補償機制72
7.2.4注意力機制73
7.3對抗訓練74
7.4實驗與分析74
7.4.1數據集和評估指標75
7.4.2實驗設置75
7.4.3補償機制的有效性76
7.4.4對抗訓練的有效性78
7.4.5與先進基線方法對比78
7.5不足和展望81
7.6本章小結81
第8章基于小樣本學習的關系抽取82
8.1概述82
8.2異構圖神經網絡83
8.2.1任務定義83
8.2.2節點的向量化表示83
8.2.3異構圖神經網絡中的節點84
8.2.4異構圖神經網絡中的邊85
8.2.5異構圖神經網絡中的狀態表示86
8.3異構圖神經網絡中的對抗訓練87
8.4實驗與分析87
8.4.1數據集和評估指標88
8.4.2實驗設置88
8.4.3異構圖神經網絡的有效性89
8.4.4異構圖神經網絡對噪聲數據的魯棒性90
8.4.5節點可視化表示91
8.4.6案例分析92
8.5不足與展望93
8.6本章小結94
第9章文檔級別的關系抽取方法95
9.1概述95
9.2文檔的向量化表示95
9.3“注意力”機制在文檔級別關系抽取中的應用98
9.4實驗與分析100
9.4.1數據集和評估指標100
9.4.2實驗設置101
9.4.3“注意力”機制的有效性102
9.5不足與展望103
9.6本章小結103
第10章基于表示迭代融合的實體和關系聯合抽取104
10.1概述104
10.2任務定義105
10.3表示迭代融合方法106
10.3.1節點向量化106
10.3.2異構圖神經網絡層107
10.3.3實體關系抽取108
10.4實驗與分析110
10.4.1數據集和評估指標110
10.4.2訓練細節和參數設置111
10.4.3模型對比實驗111
10.4.4不同類型的句子上的詳細的結果113
10.4.5分析和討論114
10.5本章小結118
本篇小結119
第4篇開放領域的實體關系分析
第11章基于動態閾值的開放關系檢測123
11.1概述123
11.2任務定義125
11.3基于生成式負樣本的動態閾值方法125
11.3.1關系表示125
11.3.2動態閾值126
11.3.3生成式負樣本127
11.4實驗與分析128
11.4.1數據集128
11.4.2評價指標128
11.4.3基線模型129
11.4.4參數設置和訓練細節129
11.4.5結果與討論129
11.5本章小結135
第12章基于自加權損失的開放關系抽取136
12.1概述136
12.2任務定義137
12.3基于自加權損失的半監督學習框架137
12.3.1關系表示抽取模塊138
12.3.2基于深度度量學習的知識遷移138
12.3.3基于聚類的開放關系發現139
12.4實驗與分析140
12.4.1數據集140
12.4.2評價指標140
12.4.3基線模型140
12.4.4參數設置和訓練細節141
12.4.5結果和討論141
12.5本章小結146
第13章基于一致性表示學習的持續關系抽取147
13.1概述147
13.2任務定義148
13.3一致性表示學習方法148
13.3.1編碼器149
13.3.2新任務的初始訓練150
13.3.3為記憶選擇代表性樣本150
13.3.4一致性表示學習150
13.3.5基于類均值的預測152
13.4實驗與分析152
13.4.1數據集153
13.4.2評價指標153
13.4.3基線模型153
13.4.4訓練細節和參數設置153
13.4.5結果和討論154
13.5本章小結158
第14章開放域文本關系抽取的可擴展可視化平臺159
14.1概述159
14.2文本開放關系抽取系統160
14.2.1數據集管理161
14.2.2模型管理161
14.2.3可視化模塊162
14.2.4開放關系抽取流水線162
14.3本章小結164
本篇小結164
參考文獻165
附錄A英文縮寫對照表180
附錄B圖片索引183
附錄C表格索引185
結束語187
展開全部
面向共融機器人的自然交互——命名實體識別與關系抽取 作者簡介
徐華博士，2003年畢業于清華大學計算機科學與技術系，現為清華大學計算機科學與技術系長聘副教授，博士生導師。從事多模態智能信息處理、智能優化和共融機器人智能控制等研究工作。擔任愛思唯爾（Elsevier）開放期刊Intelligent Systems with Applications首任主編，權威期刊Expert Systems with Applications副主編。完成國家科技重大專項課題3項，國家自然科學基金項目4項，國家973項目二級課題2項，國家863項目（課題）5項，國際500強企業（寶潔、西門子、安捷倫等）合作項目13項。目前已在本專業領域權威國際期刊和AAAI、ACL、ACM MM等頂級會議上發表學術論文100余篇。獲得國家科學技術進步獎二等獎1項（集體獎），北京市科學技術獎一等獎1項，北京市科學技術獎二等獎1項（集體獎），北京市科學技術獎三等獎1項，重慶市科技進步獎三等獎1項，中國物流與采購聯合會科技發明獎一等獎1項，中國物流與采購聯合會科學技術獎一等獎1項。作為主講教師，主講清華大學全校性課程“數據挖掘：方法與應用”“工業數據挖掘與分析”“互聯網產品設計”等課程。獨立編寫專著和教材5部，其中《演化機器學習》是國內首部演化機器學習領域的學術專著；《面向共融機器人的自然交互—人機對話意圖理解》是國內首部共融機器人自然交互領域的學術專著；《數據挖掘：方法與應用》和《數據挖掘：方法與應用—應用案例》已經被國內眾多高校選用為配套教材，并獲得清華大學優秀教材（2020年）二等獎。
書友推薦
- >
詩經-先民的歌唱
- >
月亮虎
- >
我從未如此眷戀人間
- >
中國歷史的瞬間
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
【精裝繪本】畫給孩子的中國神話
- >
唐代進士錄
- >
朝聞道
本類暢銷
