最新公告
  • 欢迎您光临IO源码网,本站秉承服务宗旨 履行“站长”责任,销售只是起点 服务永无止境!立即加入我们
  • 基于深度学习的事件因果关系抽取综述 PDF 下载

    基于深度学习的事件因果关系抽取综述 PDF 下载

    本站整理下载:
    链接:https://pan.baidu.com/s/12dK2M4985ARH3vKvPXsaEA 
    提取码:iawa 
     
     
    相关截图:
     
    主要内容:
    0 引言
    人们的社会活动以事件为驱动,事件是社会活动的载体。
    在自然语言处理中,事件作为一种信息表示形式显得十分重
    要,受到越来越多的重视。事件中包含了大量的内部组成结
    构(如参与者、时间、地点等)和外部关联(如因果、共指、时序
    等语义关系)。对包含大量事件的文本进行因果关系的抽取
    可以实现对文本的更加深层次的理解。在航空安全[1]、医学[2]
    等众多领域中,因果关系抽取也发挥着重要的作用。图灵奖
    获得者 Bengio 表示将因果关系集成到人工智能(Artificial
    Intelligence,AI)中是一件大事,了解因果关系可以使得现有
    的人工智能更加智能高效。Pearl等[3]
    讲到如果没有因果推理
    的能力,人工智能将从根本上受到限制。
    因果关系一般可以组织为事理图谱。事理图谱是表示事
    件之间的顺承、因果关系的有向图[4]。图中每个节点表示事
    件,而边用来表示事件之间的因果关系。事理图谱找出了事
    件的演化逻辑,从而形成大型的常识事理知识库用来直接刻
    画人类行为活动。很多的学者在因果关系抽取上得到了理想
    的结果[5-7]。
    深度学习是机器学习领域如今最热门的研究方向之一,
    它能够模仿人类大脑的活动,使得模式识别很难解决的问题
    得到了合理的解决,使得自然语言处理(Natural Language
    Processing,NLP)相关技术取得了很大进步。近年来基于深度
    神经网络的因果关系抽取方法比较多,主要分为两大类:一类
    是基于流水线方式;另一类是基于联合抽取的方式。前者将
    抽取任务看作是实体识别和关系分类两个子任务,后者则是
    利用联合模型将因果关系三元组直接抽取出来。两者各有利
    弊,但是目前还缺乏对整个领域开展深入的梳理和总结。本
    文对现有的基于深度学习的因果关系抽取方法进行了总结:
    首先,分别对因果关系抽取的基本概念和方法演变进行了简
    要介绍,并对常用数据集进行了介绍;接着,对现有的基于深
    度学习的两种主要框架分别进行了详细介绍;最后,提出了未
    来的研究方向。
    文章编号:1001-9081(2021)05-1247-09 DOI:10. 11772/j. issn. 1001-9081. 2020071080
    收稿日期:2020⁃07⁃23;修回日期:2020⁃11⁃09;录用日期:2020⁃11⁃17。
    基金项目:国家自然科学基金资助项目(61872313);国家重点研发计划重点专项(2017YFB1002300,2018YFC1700302)。
    作者简介:王朱君(1996—),男,江苏东台人,硕士研究生,主要研究方向:自然语言处理; 王石(1981—),男,山东博兴人,副研究员,博士,
    主要研究方向:语义分析、知识图谱; 李雪晴(1995—),女,江苏泰州人,博士研究生,主要研究方向:自然语言处理; 朱俊武(1972—),男,江
    苏江都人,教授,博士,CCF高级会员,主要研究方向:知识工程、本体论。
    第 41 卷 计算机应用
    1 因果关系抽取简介
    因果关系抽取是关系抽取中的一类任务。根据原因事件
    和结果事件是否在文本中同时出现,将因果关系分为了隐式
    因果(文本中只出现了原因事件或结果事件)和显式因果(文
    本中原因事件和结果事件同时出现)。隐式因果关系抽取任
    务中缺失的原因事件或结果事件需要根据文本中的知识进行
    推理判断。对于显式因果关系,又可以根据原因事件和结果
    事件的对应关系,分为一对一(一件原因事件对应一件结果事
    件)、一对多(一件原因事件对应多件结果事件)、多对一(多件
    原因事件对应一件结果事件)、多对多(多件原因事件对应多
    件结果事件)[8]。 1. 1 因果关系抽取的基本概念
    因果关系表示客观事件间存在的一种普遍联系。事件的
    因果关系主要由原因事件和结果事件两个部分构成。因果关
    系抽取任务从描述事件信息的文本中抽取出原因事件和结果
    事件,并以结构化的形式将其呈现出来。一般可以将因果关
    系抽取分为两个子任务:候选事件对的抽取和因果关系分类。
    候选事件对抽取需要对文本中的事件触发词和相关论元进行
    定位抽取;关系分类需要对候选事件对进行过滤,找出属于因
    果关系的事件对,并确定原因事件和结果事件。
    例如,文本“突然地降温使得小明感冒,昨晚去医院了”,
    事件检测发现句子中有 3 个事件分别为“降温”“感冒”和“去
    医院”,那么形成因果对(降温,感冒)、(感冒,去医院)和(降 温,去医院);接着判断事件对间是否存在因果关系,因此排除
    (降温,去医院),抽取出了(降温,感冒)和(感冒,去医院)的因
    果关系。 1. 2 因果关系抽取的方法演变
    与传统关系分类[9]
    不同的是,因果关系抽取的方法主要
    分为三种:基于模式匹配的方法、基于模式匹配与机器学习组
    合的方法和基于深度学习的方法。 1. 2. 1 基于模式匹配的方法
    基于模式的方法利用语义特征、词汇符号特征和自构约
    束通过模式匹配进行因果关系的提取。Khoo 等[10]
    利用语言
    线索和模式匹配从华尔街日报中提取因果知识;Khoo等[11]在
    医学领域使用图形模式从医疗数据库中提取因果知识;Girju
    等[12]
    使用句法模式提取因果关系,然后使用语义约束将候选
    对分类为因果对或非因果对;Ittoo等[13]
    提出一种基于词性、句
    法分析和因果模板的因果对提取方法。完全依赖于模式匹配
    规则的方法通常跨域适应性差,在解决特定领域的问题时可
    能需要广泛的领域知识。 1. 2. 2 基于模式和机器学习相结合的方法
    基于模式和机器学习技术相结合的方法主要以流水线的
    方式解决因果关系的抽取任务,将因果关系抽取分为两个子
    任务,候选因果对提取和关系分类。首先根据模板或一些线
    索词提取可能具有因果关系的候选事件对,然后根据语义特
    征和语法特征对候选因果对进行分类筛选出因果对。Girju
    等[14]
    使用基于因果关系的约束触发词来提取英语文本中的因
    果关系;Luo 等[15]
    从大规模网络文本语料库中提取因果关系
    术语,然后基于点态相互信息的统计度量使用因果线索来度
    量网络文本语料之间的因果强度。 1. 2. 3 基于深度学习的方法
    由于深度神经网络具有强大的表征学习能力,可以强有
    力地捕捉隐含的和模棱两可的因果关系,因此近年来采用深
    度学习技术提取因果关系已成为一种流行选择。De Silva
    等[16]
    使用卷积神经网络(Convolution Neural Network,CNN)对
    文本中的因果关系进行分类;Kruengkrai 等[17]
    选择使用 CNN
    从嘈杂的文本中提取背景知识来分类常识性的因果关系;Li
    等[18]
    提出了一种面向知识的 CNN,它结合了词汇知识库中的
    先验知识进行因果关系分类;Dasgupta 等[19]
    还通过基于长短
    期记忆(Long Short-Term Memory,LSTM)网络的深层模型,从
    语言的角度确定了文本中因果关系的语言表达。 1. 3 常用数据集
    基于深度学习的因果关系抽取所使用的数据集有 ACE
    2005数据集[20]、SemEval 2010 task 8数据集[21]等。
    ACE 由美国国家标准和技术学会(National Institute of
    Standards and Technology,NIST)、中 央 情 报 局(Central
    Intelligence Agency,CIA)和 国 家 安 全 局(National Security
    Agency,NSA)主管,该会议的主要关注点并非是会议本身而
    是信息与关系抽取的评测。随着会议影响力的不断提升,语
    料数据得到了丰富的扩展。该会议提供已经标注好的多种类
    型实体、关系和事件的语料数据集,主要用于事件和关系的抽
    取任务中。SemEval 2010 task 8数据集[21]
    共包含8 000条训练
    数据和 2 717 条测试数据。共有如下 10 种关系:实体-起源
    (Entity-Origin)、实体-目的地(Entity-Destination)、原因-结果
    (Cause-Effect)、成员-集合(Member-Collection)、信息-主题
    (Message-Topic)、产品-生产者(Product-Producer)、部分-整体
    (Component-Whole)、仪器-代理商(Instrument-Agency)、内容-
    容器(Content-Container)和其他(Other),其中训练集和测试集
    中包含的因果关系文本分别占比12. 54%和12. 07%。 2 基于深度学习的因果关系抽取模型
    因果关系抽取是自然语言处理(NLP)的重要任务,当前
    主要有两类框架来完成此任务:一种是流水线方法,一种是联
    合抽取方法。流水线方法中,因果关系抽取任务被划分为两
    个步骤:确定句子中的事件触发词及相关论元,根据触发词构
    造候选事件对并进行因果关系判别。这两个步骤分别定义为
    两个相关的任务:事件检测(Event Detection,ED)和关系分类
    (Relation Classification,RC)。如果只需要对已标注事件对进
    行分类,则因果关系抽取可以简化为因果关系分类,联合抽取
    模型则是将两个子任务统一构建成一个模型,在建模时进一
    步利用两个任务间的潜在关联,缓解错误传播问题。 2. 1 基于流水线的因果关系抽取
    事件检测任务是自然语言处理中信息获取的一个常见任
    务,从非结构化的信息中抽取出事件触发词和相关角色的触
    发词论元;关系分类任务则是依据标注好的语料进行事件对
    间的相关类型判别。下面是对当前主流的事件检测任务和关
    系分类任务模型的详细介绍。 2. 1. 1 基于神经网络的事

     

    *** 次数:10600 已用完,请联系开发者***

    1. 本站所有资源来源于用户上传和网络,因此不包含技术服务请大家谅解!如有侵权请邮件联系客服!384324621@qq.com
    2. 本站不保证所提供下载的资源的准确性、安全性和完整性,资源仅供下载学习之用!如有链接无法下载、失效或广告,请联系客服处理,有奖励!
    3. 您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容资源!如用于商业或者非法用途,与本站无关,一切后果请用户自负!
    4. 如果您也有好的资源或教程,您可以投稿发布,成功分享后有★币奖励和额外收入!

    IO 源码网 » 基于深度学习的事件因果关系抽取综述 PDF 下载

    常见问题FAQ

    免费下载或者VIP会员专享资源能否直接商用?
    本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。
    提示下载完但解压或打开不了?
    最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。若排除这种情况,可在对应资源底部留言,或 联络我们.。
    找不到素材资源介绍文章里的示例图片?
    对于PPT,KEY,Mockups,APP,网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。
    IO源码吧
    一个高级程序员模板开发平台

    发表评论

    • 97会员总数(位)
    • 11020资源总数(个)
    • 95本周发布(个)
    • 9 今日发布(个)
    • 439稳定运行(天)

    提供最优质的资源集合

    立即查看 了解详情