《自然语言处理》全套PPT课件_501-600.pptxVIP

10.3.由基结构的器法学习的事件抽取方法

主要问题：将事件抽取看成一个结构预测问题。如何建模事件的结构并有效地挖掘反映事件的结构化信息及特征

■依存树结构预测

(McCloskyetal.2011)

■自定义联合结构预测：触发词和事件元素联合预测(Lietal.2013,Lietal.2014)

513

●10.3.1

基本概念

●10.3.2

事件抽取评测及语料资源

●10.3.3

基于模式匹配的事件抽取方法

●10.3.4

基于机器学习的事件抽取方法

10.3事件抽取

√10.3.5基于神经网络的事件抽取方法

514

10.3.6设封香理的网络结构，的斋捕捷黄的信息法进而更准确

地完成事件的抽取

●网络结构：不同的网络结构捕捉文本中不同的信息

●卷积神经网络(CNN)(Chenetal.2015,Nguyenetal.2015,Chenetal.2017)

●循环神经网络(RNN)(Fengetal.2016,Nguyenetal.2016)

●多层感知机(MLN)(Liuetal.2016,Liuetal.2017)

传统的CNN利用最大池化技术

,选取最大值代表每个

featuremap,但是事件抽取任务中一句话存在两个或者多个事件所以提出动态最大池化技术来根据trigger和

argument候选的位置，在不损失最大值的前提下，获取更

515多的有用信息

DMCNN

10.1命名实体识别

●10.2实体关系抽取●10.3事件抽取

√10.4实体链接

●10.5开放域信息抽取

第10章信息抽取

516

10.4实体链接

√10.4.1基本概念

□10.4.2基于上下文的实体链接□10.4.3集体实体链接

□10.4.4基于深度学习的实体链接

517

10.4.1基本概念

“项庄舞剑，意在沛公”……汉高祖平定英布叛乱，返程途中路过沛县，在

沛宫置备酒席，请来父老乡亲一起开怀畅饮，酒到浓时，作《大风歌》。

命名实体识别模块

“项庄舞剑，意在沛公”……汉高祖平定英布叛乱，返程途中路过沛县，在沛宫置备酒席，请来父老乡亲一起开怀畅饮，酒到浓时，作《大风歌》。

直接将“沛公”和“汉高祖”作为新的实体加入到知识图谱中吗?

518

同一实体出现多词一义

·“刘邦”是一个实体

·文本中“刘季”可能指代该实体

·“汉高祖”也可能描述该实体·“沛公”也可能表示该实体

●

刘季终于当上了亭长的职位

汉高祖作《大风歌》

同一文本表现一词多义的

·文本中的“苹果”是...?

·公司?

·水果?

·电影?

●

乔布斯创立了苹果

苹果涨价了，果农没有白忙活

10.4.1基本概念

实体链接任务的必要性?

如何帮助机器理解一词多义和多词一义的现象?

519

口形式化定义：

■给定知识库K,包含一个实体集合E;

■对于一段输入文本t,识别t中所有的指代实体的字段m,并将其链接到正确的知识库中的实体e∈E

Ay*Ime

知识库条目(实体集合)

S

【SteveJobs】isacofounderof【ApplpInc.】

10.4.1基本概念

实体指称

10.4实体链接

●10.4.1基本概念

√10.4.2基于上下文的实体链接●10.4.3集体实体链接

●10.4.4基于深度学习的实体链接

521

10.4.2基于上下文的实体链接

口基本思想：比较实体指称所在的文本与知识库中候选实

体的描述文本之间的文本相似度缺陷：仅能利用指称和候选

实体的上下文，无法利用训

口典型思路：练文本带来的先验知识

●经由命名实体识别得到实体指称项

●在知识库中找到每个指称项对应的候选实体，构成候选实体集合

●计算实体指称所在的文本与候选实体的描述文本的文本相似度

口利用词袋模型分别表示实体指称上下文与候选实体的描述文本，然后用余项相似度计算两个文本的相似度值

口直接计算实体指称上下文与候选实体描述文本的重叠度，重叠度越高相似度越大

●根据文本相似度选择相似度最高的候选实体作为答案

522

10.4实体链接

●10.4.1