实体关系抽取方法研究综述

2020 年 7 月 19 日 专知
实体关系抽取方法研究综述

摘要: 在自然语言处理领域,信息抽取一直以来受到人们的关注.信息抽取主要包括3项子任务:实体抽取、关系抽取和事件抽取,而关系抽取是信息抽取领域的核心任务和重要环节.实体关系抽取的主要目标是从自然语言文本中识别并判定实体对之间存在的特定关系,这为智能检索、语义分析等提供了基础支持,有助于提高搜索效率,促进知识库的自动构建.综合阐述了实体关系抽取的发展历史,介绍了常用的中文和英文关系抽取工具和评价体系.主要从4个方面展开介绍了实体关系抽取方法,包括:早期的传统关系抽取方法、基于传统机器学习、基于深度学习和基于开放领域的关系抽取方法,总结了在不同历史阶段的主流研究方法以及相应的代表性成果,并对各种实体关系抽取技术进行对比分析.最后,对实体关系抽取的未来重点研究内容和发展趋势进行了总结和展望.

http://crad.ict.ac.cn/CN/10.7544/issn1000-1239.2020.20190358#1

专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“ERES” 可以获取《实体关系抽取方法研究综述》专知下载链接索引

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“阅读原文”,了解使用专知,查看获取5000+AI主题知识资源
登录查看更多
6

相关内容

题目: 基于深度学习的主题模型研究

摘要: 主题模型作为一个发展二十余年的研究问题,一直是篇章级别文本语义理解的重要工具.主题模型善于从一组文档中抽取出若干组关键词来表达该文档集的核心思想,因而也为文本分类、信息检索、自动摘要、文本生成、情感分析等其他文本分析任务提供重要支撑.虽然基于三层贝叶斯网络的传统概率主题模型在过去十余年已被充分研究,但随着深度学习技术在自然语言处理领域的广泛应用,结合深度学习思想与方法的主题模型焕发出新的生机.研究如何整合深度学习的先进技术,构建更加准确高效的文本生成模型成为基于深度学习主题建模的主要任务.本文首先概述并对比了传统主题模型中四个经典的概率主题模型与两个稀疏约束的主题模型.接着对近几年基于深度学习的主题模型研究进展进行综述,分析其与传统模型的联系、区别与优势,并对其中的主要研究方向和进展进行归纳、分析与比较.此外,本文还介绍了主题模型常用公开数据集及评测指标.最后,总结了主题模型现有技术的特点,并分析与展望了基于深度学习的主题模型的未来发展趋势。

成为VIP会员查看完整内容
0
82
小贴士
相关资讯
自然语言处理ACL2020论文列表
专知
12+阅读 · 2020年6月23日
最新《动态网络嵌入》综述论文,25页pdf
专知
19+阅读 · 2020年6月17日
【中科院】命名实体识别技术综述
专知
13+阅读 · 2020年4月21日
多模态深度学习综述,18页pdf
专知
28+阅读 · 2020年3月29日
【资源】知识图谱本体构建论文合集
专知
54+阅读 · 2019年10月9日
【知识图谱】中文知识图谱构建方法研究
产业智能官
81+阅读 · 2017年10月26日
相关VIP内容
专知会员服务
21+阅读 · 2020年9月11日
科技大数据知识图谱构建方法及应用研究综述
专知会员服务
95+阅读 · 2020年8月12日
专知会员服务
214+阅读 · 2020年8月10日
专知会员服务
84+阅读 · 2020年8月6日
专知会员服务
91+阅读 · 2020年7月10日
专知会员服务
122+阅读 · 2020年5月6日
专知会员服务
108+阅读 · 2020年4月21日
中文知识图谱构建技术以及应用的综述
专知会员服务
215+阅读 · 2019年10月19日
[综述]基于深度学习的开放领域对话系统研究综述
专知会员服务
54+阅读 · 2019年10月12日
相关论文
Timothée Lacroix,Guillaume Obozinski,Nicolas Usunier
10+阅读 · 2020年4月10日
Aidan Hogan,Eva Blomqvist,Michael Cochez,Claudia d'Amato,Gerard de Melo,Claudio Gutierrez,José Emilio Labra Gayo,Sabrina Kirrane,Sebastian Neumaier,Axel Polleres,Roberto Navigli,Axel-Cyrille Ngonga Ngomo,Sabbir M. Rashid,Anisa Rula,Lukas Schmelzeisen,Juan Sequeda,Steffen Staab,Antoine Zimmermann
79+阅读 · 2020年3月4日
Shuo Zhang,Krisztian Balog
7+阅读 · 2020年2月5日
End-to-End Open-Domain Question Answering with BERTserini
Wei Yang,Yuqing Xie,Aileen Lin,Xingyu Li,Luchen Tan,Kun Xiong,Ming Li,Jimmy Lin
3+阅读 · 2019年9月18日
Qingheng Zhang,Zequn Sun,Wei Hu,Muhao Chen,Lingbing Guo,Yuzhong Qu
33+阅读 · 2019年6月6日
Multi-Instance Learning for End-to-End Knowledge Base Question Answering
Mengxi Wei,Yifan He,Qiong Zhang,Luo Si
4+阅读 · 2019年3月6日
A Survey on Deep Learning for Named Entity Recognition
Jing Li,Aixin Sun,Jianglei Han,Chenliang Li
68+阅读 · 2018年12月22日
Mohnish Dubey,Debayan Banerjee,Debanjan Chaudhuri,Jens Lehmann
15+阅读 · 2018年1月16日
Ferenc Galkó,Carsten Eickhoff
9+阅读 · 2018年1月9日
Top