中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
妙相梵容
-
>
基立爾蒙文:蒙文
-
>
我的石頭記
-
>
心靈元氣社
-
>
女性生存戰爭
-
>
縣中的孩子 中國縣域教育生態
-
>
(精)人類的明天(八品)
知識結構化:基于神經信息抽取的方法 版權信息
- ISBN：9787030792693
- 條形碼：9787030792693 ; 978-7-03-079269-3
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
知識結構化:基于神經信息抽取的方法 內容簡介
知識結構化是知識工程領域的重要分支。本書專注于介紹基于神經網絡的知識結構化技術，在內容上盡可能涵蓋從基礎概念到*新研究成果的各方面。全書共15章：第1章概述知識結構化的起源與發展；第2章討論一些典型而常用的神經網絡基礎模型以及神經網絡學習策略；第3~14章分別以實體、關系、實體關系三元組、事件為主題，介紹知識結構化技術研究的*新進展；第15章介紹基于神經信息抽取方法的知識結構化技術未來發展方向，并探討其在大模型時代下面臨的挑戰與 機遇。
知識結構化:基于神經信息抽取的方法 目錄
目錄第1章 知識結構化概述 11.1 知識工程 11.2 知識結構化 41.3 應用場景 81.4 國內外研究現狀 91.4.1 知識圖譜 101.4.2 實體抽取 141.4.3 關系抽取 151.4.4 三元組抽取 161.4.5 事件抽取 171.5 問題與挑戰 171.6 內容組織結構 18參考文獻 20第2章 神經網絡基礎 232.1 神經網絡的技術優勢 232.2 常用的神經網絡模型組件 242.2.1 詞向量 242.2.2 注意力機制 252.2.3 卷積神經網絡 262.2.4 長短期記憶網絡 262.2.5 門控循環單元 272.2.6 Transformer 網絡 282.2.7 預訓練語言模型 282.2.8 條件隨機場 292.3 常用的神經網絡學習策略 302.3.1 少樣本學習策略 302.3.2 生成對抗訓練策略 312.3.3 對比學習策略 32參考文獻 33第3章 基于生成對抗訓練方法的嵌套實體抽取框架 353.1 問題背景 353.2 相關工作 393.3 模型方法 403.3.1 預備知識 403.3.2 框架概述 413.3.3 抽取器 413.3.4 判別器 443.3.5 多任務訓練和預測 453.4 實驗與分析 463.4.1 數據集介紹 463.4.2 實驗設置 463.4.3 總體結果 473.4.4 消融實驗 473.4.5 實體標記的影響 493.5 本章小結 49參考文獻 50第4章 基于混合多原型的少樣本實體抽取 524.1 問題背景 524.2 相關工作 544.2.1 少樣本學習 544.2.2 少樣本實體抽取的解決方案 544.3 模型方法 554.3.1 預備知識 554.3.2 框架概述 564.3.3 序列擴充和嵌入 584.3.4 混合多原型表示 584.3.5 預測與訓練 594.4 實驗與分析 594.4.1 數據集介紹 604.4.2 實驗設置 604.4.3 總體結果 614.5 本章小結 64參考文獻 64第5章 基于多粒度交互對比學習的多模態實體抽取方法 675.1 問題背景 675.2 相關工作 695.2.1 多模態命名實體識別 695.2.2 多模態任務中的對比學習 715.3 模型方法 715.3.1 多模態表示 725.3.2 多粒度對比學習 735.3.3 多粒度交互 765.3.4 CRF解碼器與損失函數 785.4 實驗與分析 785.4.1 數據集介紹 785.4.2 實驗設置 785.4.3 總體結果 795.4.4 顯著性測試 795.4.5 消融實驗 815.4.6 目標數量的影響 815.4.7 案例分析 825.5 本章小結 84參考文獻 85第6章 基于概率圖模型以及嵌入特征的命名實體消歧 886.1 問題背景 886.2 相關工作 906.2.1 命名實體識別 906.2.2 候選實體生成 906.2.3 候選實體排序 916.2.4本章消歧系統框架 926.3 模型方法 926.3.1 預備知識 926.3.2 指稱-實體圖 956.3.3 近似算法 966.4 實驗與分析 986.4.1 數據集介紹 986.4.2 實驗設置 996.4.3 總體結果 996.4.4 特征比較實驗及結果 1016.5 本章小結 102參考文獻 103第7章 面向含噪數據的中文領域關系抽取 1057.1 問題背景 1057.2 相關工作 1087.2.1 基于監督學習的關系抽取方法 1087.2.2 基于依存路徑的關系抽取方法 1097.2.3 基于遠程監督的關系抽取方法 1097.2.4 面向含嗓文本的關系抽取方法 1097.3 模型方法 1107.3.1 預備知識 1117.3.2 嵌入表示 1147.3.3 卷積和*大池化 1157.3.4 實體集成的注意力多實例學習方法 1167.3.5 Softmax輸出 1177.4 實驗與分析 1187.4.1 數據集介紹 1187.4.2 實驗設置 1197.4.3 保留評估 1207.4.4 多實例學習方法對比 1217.4.5 交叉驗證 1237.4.6 消融實驗 1247.4.7 人工評估 1257.5本章小結 126參考文獻 127第8章 基于遠程監督的少樣本關系抽取方法 1308.1 問題背景 1308.2 相關工作 1348.2.1 基于遠程監督的關系抽取方法 1348.2.2 基于少樣本學習的關系抽取方法 1358.3 模型方法 1368.3.1 預備知識 1368.3.2 句子編碼器 1378.3.3 原型網絡 1418.4 實驗與分析 1418.4.1 數據集介紹 1428.4.2 實驗設置 1428.4.3 總體結果 1438.4.4 多實例學習方法對比 1448.4.5 實例袋向量表示可視化 1448.5 本章小結 145參考文獻 146第9章 基于遷移排序模型的三元組抽取技術 1499.1 問題背景 1499.2 相關工作 1529.2.1 基于實體關系聯合抽取的方法 1529.2.2 基于實體抽取的方法 1529.2.3 基于關系分類的方法 1539.3 模型方法 1539.3.1 模型框架 1539.3.2 實體抽M塊 1549.3.3 三部分標注方案 1569.3.4 多層遷移模型 1579.3.5 模型的訓練和抽取 1589.4 實驗與分析 1619.4.1 數據集介紹 1619.4.2 實驗設置 1629.4.3 總體結果 1639.5 本章小結 167參考文獻 167第10章 融合對抗訓練的端到端知識三元組聯合抽取 17110.1 問題背景 17110.2 相關工作 17310.2.1 流水線式方法 17310.2.2 聯合學習方法 17410.2.3 對抗訓練方法 17410.3 模型方法 17510.3.1 標注策略 17610.3.2 表示層 17710.3.3 雙向長短期記憶網絡編碼層 17810.3.4 自注意力層 17910.3.5 長短期記憶網絡解碼層 17910.3.6 Softmax分類層 18110.3.7 對抗訓練 18210.4 實驗與分析 18310.4.1 數據集介紹 18310.4.2 實驗設置 18310.4.3 總體結果 18410.4.4 消融實驗 18710.4.5 誤差分析 18810.5 本章小結 189參考文獻 190第11章 基于視圖轉移網絡的少樣本關系三元組抽取 19311.1 問題背景 19311.2 相關工作 19511.2.1 基于監督學習的方法 19511.2.2 基于少樣本學習的方法 19511.3 模型方法 19611.3.1 模型框架 19611.3.2 關系視圖 19711.3.3 實體視圖 19811.3.4 三元組視圖 19911.4 驗與分析 20011.4.1 數據集介紹 20011.4.2 實驗設置 20111.4.3 總體結果 20211.5 本章小結 205參考文獻 205第12章 利用多語言線索進行事件檢測的混合注意力網絡 20812.1 問題背景 20812.2 相關工作 21012.2.1 基于特征工程的事件檢測方法 21012.2.2 基于神經網絡的事件檢測方法 21012.2.3 基于遠程監督的事件檢測方法 21112.2.4 多語言方法 21112.3 模型方法 21112.3.1 多語言表示層 21212.3.2 注意力層 21312.3.3 訓練與預測 21512.4 實驗與分析 21612.4.1 數據集介紹 21612.4.2 實驗設置 21612.4.3 總體結果 21612.4.4 多語言的效果驗證 21912.5 本章小結 220參考文獻 221第13章 基于差異性神經表示的事件檢測方法 22313.1 問題背景 22313.2 相關工作 22513.2.1 基于特征的方法 22513.2.2 基于增強的方法 22613.2.3 基于神經網絡的方法 22613.3 模型方法 22713.3.1 模型框架 22713.3.2 編碼模塊 22813.3.3 對比學習模塊 22913.3.4 Mixspan模塊 23113.3.5 模型訓練與預測 23313.4 實驗與分析 23413.4.1 數據集介紹 23413.4.2 實驗設置 23513.4.3 總體結果 23613.5 本章小結 241參考文獻 241第14章 基于分層策略網絡的事件抽取方法 24414.1 問題背景 24414.2 相關工作 24614.2.1 流水線式事件抽取方法 24614.2.2 聯合事件抽取方法 24614.2.3 策略網絡方法 24714.3 模型方法 24714.3.1 事件級策略網絡 24814.3.2 論元級策略網絡 25014.3.3 分雇訓練 25214.4 實驗與分析 25314.4.1 數據集介紹 25314.4.2 實驗設置 25414.4.3 總體結果 25414.4.4 分展框架的效果評估 25514.4.5 策略網絡的效果 25614.5 本章小結 257參考文獻 257第15章 知識結構化未來展望 25915.1 總結 25915.2 未來展望 26215.2.1 實體抽取技術 26215.2.2 三元組抽取技術 26415.2.3 事件抽取技術 26515.3 大語言模型技術 267參考文獻 268
展開全部
書友推薦
- >
推拿
- >
自卑與超越
- >
上帝之肋:男人的真實旅程
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
李白與唐代文化
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
月亮虎
本類暢銷
