基于深度学习的实体关系抽取和知识图谱补全方法的研究

目录

声明

第1章 绪 论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 实体关系抽取研究现状

1.2.2 知识图谱补全研究现状

1.3 本文研究内容

1.4 本文结构

第2章 相关理论基础

2.1 实体关系抽取相关技术

2.1.1 词向量表示

2.1.2 卷积神经网络

2.1.3 远程监督

2.1.4 注意力机制

2.2 知识图谱补全相关技术

2.2.1 知识表示学习

2.2.2 张量分解模型

2.2.3 图卷积神经网络

2.3 本章小结

第3章 基于正负实例交互的实体关系抽取模型

3.1模型设计思路

3.2 多规则联合的正负实例集划分

3.3 基于正实例集的关系抽取模型

3.3.1 嵌入层

3.3.2 PCNN层

3.3.3 注意力机制层

3.3.4 Softmax层

3.3.5 损失函数

3.4 正负实例集交互的关系抽取模型优化

3.5 实验及结果分析

3.5.1 数据集及评估标准

3.5.2 实验设置

3.5.3 实验对比及分析

3.6 本章小结

第4章 融合子图卷积和张量分解的知识图谱补全模型

4.1 模型设计思路

4.2 模型的输入与表示

4.2.1 输入层

4.2.2 嵌入层

4.3 Tucker张量分解模块

4.4 改进的子图卷积模块

4.4.1 子图选择器

4.4.2 关系语义融合与邻接矩阵归一化

4.4.3 图卷积与全连接操作

4.4.4 子图卷积模块打分函数

4.5模型的输出与优化

4.5.1 输出层

4.5.2 模型优化目标函数

4.6 实验及结果分析

4.6.1 数据集和评估标准

4.6.2 实验设置

4.6.3 实验对比与分析

4.7 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢