自然語言處理：文本信息抽取與知識挖掘

第1章緒論
1．1研究背景與意義
1．1．1古籍文本信息抽取的重要性
1．1．2古籍文本信息抽取的應(yīng)用領(lǐng)域
1．1．3古籍文本信息抽取的目的
1．2信息抽取與知識挖掘的基本概念
1．2．1NER
1．2．2RE
1．2．3EE
1．3NER技術(shù)
1．3．1基于規(guī)則方法的NER技術(shù)
1．3．2基于統(tǒng)計模型的NER技術(shù)
1．3．3基于深度學(xué)習(xí)方法的NER技術(shù)
第2章古籍文本信息抽取概述與基礎(chǔ)理論
2．1古籍文本信息抽取的挑戰(zhàn)與難點
2．1．1信息抽取
2．1．2古籍文本中的信息抽取
2．2古籍文本信息抽取的任務(wù)
2．3古籍文本信息抽取相關(guān)技術(shù)
2．3．1詞匯語義表示
2．3．2CRF模型
2．3．3CNN信息抽取模型
2．3．4RNN信息抽取
2．3．5圖卷積信息抽取模型
2．3．6遷移學(xué)習(xí)信息抽取模型
2．4古籍文本信息抽取的應(yīng)用領(lǐng)域
2．4．1古籍?dāng)?shù)字化
2．4．2古籍文本分析
2．4．3文化遺產(chǎn)保護
2．4．4古籍知識圖譜構(gòu)建
第3章基于Transformer模型的NER
3．1引言
3．2問題引入
3．3基于分層Transformer模型的NER
3．3．1引言
3．3．2實現(xiàn)原理與步驟
3．3．3基本結(jié)構(gòu)與訓(xùn)練方法
3．3．4示例
3．3．5實驗分析
3．4基于BERTCRF的NER
3．4．1引言
3．4．2問題引入
3．4．3相關(guān)工作
3．4．4模型結(jié)構(gòu)
3．4．5實驗結(jié)果
3．5基于遷移學(xué)習(xí)的細(xì)粒度BERT的NER
3．5．1引言
3．5．2問題引入
3．5．3實驗過程
3．5．4實驗結(jié)果
第4章基于提示學(xué)習(xí)的NER
4．1引言
4．2問題引入
4．3基于模板的提示學(xué)習(xí)NER
4．3．1引言
4．3．2相關(guān)工作
4．3．3使用BART基于模板的NER
4．3．4實驗結(jié)果
4．4融合注意力層的提示學(xué)習(xí)NER
4．4．1引言
4．4．2低資源NER實驗過程
4．4．3實驗結(jié)果
4．5基于問答的提示學(xué)習(xí)NER
4．5．1引言
4．5．2相關(guān)工作
4．5．3方法
4．5．4實驗結(jié)果
第5章基于遠(yuǎn)程監(jiān)督的RE
5．1引言
5．2問題引入
5．3基于對抗學(xué)習(xí)的遠(yuǎn)程監(jiān)督RE
5．3．1引言
5．3．2相關(guān)工作
5．3．3方法
5．3．4實驗設(shè)置
5．4基于深度強化學(xué)習(xí)的遠(yuǎn)程監(jiān)督RE
5．4．1引言
5．4．2相關(guān)工作
5．4．3實驗過程
5．5基于句子級別注意力機制的遠(yuǎn)程監(jiān)督RE
5．5．1引言
5．5．2相關(guān)工作
5．5．3方法
5．5．4實驗結(jié)果
5．5．5比較
5．6基于實體級別注意力機制的遠(yuǎn)程監(jiān)督RE
5．6．1引言
5．6．2相關(guān)工作
5．6．3融入多實例學(xué)習(xí)的基于分段CNN的RE
5．6．4實驗結(jié)果 
5．7基于圖卷積的遠(yuǎn)程監(jiān)督RE
5．7．1引言
5．7．2相關(guān)工作
5．7．3利用輔助信息進行遠(yuǎn)程監(jiān)督神經(jīng)RE
5．7．4實驗結(jié)果 
第6章基于遷移學(xué)習(xí)的實體RE
6．1引言
6．2問題引入
6．3基于樣本遷移的實體RE
6．3．1引言
6．3．2問題引入
6．3．3實驗分析
6．3．4實驗結(jié)果
6．4基于特征遷移的實體RE
6．4．1引言
6．4．2相關(guān)工作
6．4．3學(xué)習(xí)深度簡約表示
6．4．4基于聚類的正則化方法應(yīng)用于實體RE
6．5基于關(guān)系遷移的實體RE
6．5．1基于關(guān)系遷移的實體RE的概念
6．5．2基于關(guān)系遷移的實體RE的步驟
6．5．3基于關(guān)系遷移的實體RE的模型結(jié)構(gòu)
6．5．4基于關(guān)系遷移的實體RE的相關(guān)工作
6．5．5實驗分析
第7章聯(lián)合模型的EE
7．1引言
7．2問題引入
7．3級聯(lián)解碼聯(lián)合學(xué)習(xí)的EE方法
7．3．1引言
7．3．2問題引入
7．3．3模型介紹
7．3．4實驗過程
7．4共享隱藏表示方式的EE方法
7．4．1引言
7．4．2問題引入
7．4．3模型
7．4．4模型實驗表現(xiàn)
7．5基于轉(zhuǎn)換的神經(jīng)網(wǎng)絡(luò)的EE方法
7．5．1引言
7．5．2轉(zhuǎn)換系統(tǒng)介紹
7．5．3基于轉(zhuǎn)換的神經(jīng)網(wǎng)絡(luò)模型介紹
7．5．4實驗結(jié)果
第8章篇章級的EE
8．1引言
8．2問題引入
8．3中心語引導(dǎo)的篇章級EE
8．3．1引言
8．3．2相關(guān)工作
8．3．3方法
8．3．4實驗結(jié)果
8．3．5比較
8．4跨句論元抽取的篇章級EE
8．4．1引言
8．4．2相關(guān)工作
8．4．3角色填充實體提取任務(wù)和評估指標(biāo)
8．4．4將REE作為序列生成任務(wù)
8．4．5GRIT模型
8．4．6實驗設(shè)置及結(jié)果
8．5多粒度閱讀的篇章級EE
8．5．1引言
8．5．2相關(guān)工作
8．5．3實驗方法
8．5．4實驗結(jié)果
第9章總結(jié)與展望
9.1總結(jié)
9．2展望
9．2．1NER技術(shù)未來發(fā)展展望
9．2．2RE技術(shù)未來發(fā)展展望
9．2．3EE技術(shù)未來發(fā)展展望
參考文獻