幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

知識結構化--基於神經信息抽取的方法(國防科技大學建校70周年系列著作)

  • 作者：趙翔//譚真//肖衛東//黃培馨|責編:胡文治
  • 出版社：科學
  • ISBN：9787030792693
  • 出版日期：2024/09/01
  • 裝幀：平裝
  • 頁數：269
人民幣：RMB 150 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    知識結構化是知識工程領域的重要分支。本書專註于介紹基於神經網路的知識結構化技術，在內容上盡可能涵蓋從基礎概念到最新研究成果的各方面。全書共15章：第1章概述知識結構化的起源與發展；第2章討論一些典型而常用的神經網路基礎模型以及神經網路學習策略；第3?14章分別以實體、關係、實體關係三元組、事件為主題，介紹知識結構化技術研究的最新進展；第15章介紹基於神經信息抽取方法的知識結構化技術未來發展方向，並探討其在大模型時代下面臨的挑戰與機遇。
    本書旨在為電腦科學與技術及相關方向的研究人員、學生和從業者提供深入的理論知識和實踐指導，幫助其更好地應用神經信息抽取技術解決實際問題。
作者介紹
趙翔//譚真//肖衛東//黃培馨|責編:胡文治
    趙翔，國防科技大學大數據與決策（國家級）實驗室教授、博導。教育部高層次青年人才，湖南省科技創新領軍人才。長期從事大數據知識工程領域的研究與應用，主持國家重點研發計劃（青年科學家）項目、國家自然科學基金面上項目等科研項目10余項，獲評重要學術會議論文獎4項，申請專利30余項。湖南省傑出青年基金項目、CICC青年科技獎和ACM SIGMOD中國新星獎獲得者，成果獲評CICC科技進步一等獎、CCF自然科學二等獎、軍隊科技進步二等獎。CCF傑出會員、信息系統專業委員會副秘書長、大數據專家委員會委員、資料庫專業委員會執行委員。
目錄
第1章  知識結構化概述
  1.1  知識工程
  1.2  知識結構化
  1.3  應用場景
  1.4  國內外研究現狀
    1.4.1  知識圖譜
    1.4.2  實體抽取
    1.4.3  關係抽取
    1.4.4  三元組抽取
    1.4.5  事件抽取
  1.5  問題與挑戰
  1.6  內容組織結構
  參考文獻
第2章  神經網路基礎
  2.1  神經網路的技術優勢
  2.2  常用的神經網路模型組件
    2.2.1  詞向量
    2.2.2  注意力機制
    2.2.3  卷積神經網路
    2.2.4  長短期記憶網路
    2.2.5  門控循環單元
    2.2.6  Transformer 網路
    2.2.7  預訓練語言模型
    2.2.8  條件隨機場
  2.3  常用的神經網路學習策略
    2.3.1  少樣本學習策略
    2.3.2  生成對抗訓練策略
    2.3.3  對比學習策略
  參考文獻
第3章  基於生成對抗訓練方法的嵌套實體抽取框架
  3.1  問題背景
  3.2  相關工作
  3.3  模型方法
    3.3.1  預備知識
    3.3.2  框架概述
    3.3.3  抽取器
    3.3.4  判別器
    3.3.5  多任務訓練和預測
  3.4  實驗與分析
    3.4.1  數據集介紹
    3.4.2  實驗設置
    3.4.3  總體結果
    3.4.4  消融實驗
    3.4.5  實體標記的影響
  3.5  本章小結
  參考文獻
第4章  基於混合多原型的少樣本實體抽取
  4.1  問題背景
  4.2  相關工作
    4.2.1  少樣本學習

    4.2.2  少樣本實體抽取的解決方案
  4.3  模型方法
    4.3.1  預備知識
    4.3.2  框架概述
    4.3.3  序列擴充和嵌入
    4.3.4  混合多原型表示
    4.3.5  預測與訓練
  4.4  實驗與分析
    4.4.1  數據集介紹
    4.4.2  實驗設置
    4.4.3  總體結果
  4.5  本章小結
  參考文獻
第5章  基於多粒度交互對比學習的多模態實體抽取方法
  5.1  問題背景
  5.2  相關工作
    5.2.1  多模態命名實體識別
    5.2.2  多模態任務中的對比學習
  5.3  模型方法
    5.3.1  多模態表示
    5.3.2  多粒度對比學習
    5.3.3  多粒度交互
    5.3.4  CRF解碼器與損失函數
  5.4  實驗與分析
    5.4.1  數據集介紹
    5.4.2  實驗設置
    5.4.3  總體結果
    5.4.4  顯著性測試
    5.4.5  消融實驗
    5.4.6  目標數量的影響
    5.4.7  案例分析
  5.5  本章小結
  參考文獻
第6章  基於概率圖模型以及嵌入特徵的命名實體消歧
  6.1  問題背景
  6.2  相關工作
    6.2.1  命名實體識別
    6.2.2  候選實體生成
    6.2.3  候選實體排序
    6.2.4  本章消歧系統框架
  6.3  模型方法
    6.3.1  預備知識
    6.3.2  指稱-實體圖
    6.3.3  近似演算法
  6.4  實驗與分析
    6.4.1  數據集介紹
    6.4.2  實驗設置
    6.4.3  總體結果
    6.4.4  特徵比較實驗及結果
  6.5  本章小結

  參考文獻
第7章  面向含噪數據的中文領域關係抽取
  7.1  問題背景
  7.2  相關工作
    7.2.1  基於監督學習的關係抽取方法
    7.2.2  基於依存路徑的關係抽取方法
    7.2.3  基於遠程監督的關係抽取方法
    7.2.4  面向含嗓文本的關係抽取方法
  7.3  模型方法
    7.3.1  預備知識
    7.3.2  嵌入表示
    7.3.3  卷積和最大池化
    7.3.4  實體集成的注意力多實例學習方法
    7.3.5  Softmax輸出
  7.4  實驗與分析
    7.4.1  數據集介紹
    7.4.2  實驗設置
    7.4.3  保留評估
    7.4.4  多實例學習方法對比
    7.4.5  交叉驗證
    7.4.6  消融實驗
    7.4.7  人工評估
  7.5  本章小結
  參考文獻
第8章  基於遠程監督的少樣本關係抽取方法
  8.1  問題背景
  8.2  相關工作
    8.2.1  基於遠程監督的關係抽取方法
    8.2.2  基於少樣本學習的關係抽取方法
  8.3  模型方法
    8.3.1  預備知識
    8.3.2  句子編碼器
    8.3.3  原型網路
  8.4  實驗與分析
    8.4.1  數據集介紹
    8.4.2  實驗設置
    8.4.3  總體結果
    8.4.4  多實例學習方法對比
    8.4.5  實例袋向量表示可視化
  8.5  本章小結
  參考文獻
第9章  基於遷移排序模型的三元組抽取技術
  9.1  問題背景
  9.2  相關工作
    9.2.1  基於實體關係聯合抽取的方法
    9.2.2  基於實體抽取的方法
    9.2.3  基於關係分類的方法
  9.3  模型方法
    9.3.1  模型框架
    9.3.2  實體抽M塊

    9.3.3  三部分標注方案
    9.3.4  多層遷移模型
    9.3.5  模型的訓練和抽取
  9.4  實驗與分析
    9.4.1  數據集介紹
    9.4.2  實驗設置
    9.4.3  總體結果
  9.5  本章小結
  參考文獻
第10章  融合對抗訓練的端到端知識三元組聯合抽取
  10.1  問題背景
  10.2  相關工作
    10.2.1  流水線式方法
    10.2.2  聯合學習方法
    10.2.3  對抗訓練方法
  10.3  模型方法
    10.3.1  標注策略
    10.3.2  表示層
    10.3.3  雙向長短期記憶網路編碼層
    10.3.4  自注意力層
    10.3.5  長短期記憶網路解碼層
    10.3.6  Softmax分類層
    10.3.7  對抗訓練
  10.4  實驗與分析
    10.4.1  數據集介紹
    10.4.2  實驗設置
    10.4.3  總體結果
    10.4.4  消融實驗
    10.4.5  誤差分析
  10.5  本章小結
  參考文獻
第11章  基於視圖轉移網路的少樣本關係三元組抽取
  11.1  問題背景
  11.2  相關工作
    11.2.1  基於監督學習的方法
    11.2.2  基於少樣本學習的方法
  11.3  模型方法
    11.3.1  模型框架
    11.3.2  關係視圖
    11.3.3  實體視圖
    11.3.4  三元組視圖
  11.4  驗與分析
    11.4.1  數據集介紹
    11.4.2  實驗設置
    11.4.3  總體結果
  11.5  本章小結
  參考文獻
第12章  利用多語言線索進行事件檢測的混合注意力網路
  12.1  問題背景
  12.2  相關工作

    12.2.1  基於特徵工程的事件檢測方法
    12.2.2  基於神經網路的事件檢測方法
    12.2.3  基於遠程監督的事件檢測方法
    12.2.4  多語言方法
  12.3  模型方法
    12.3.1  多語言表示層
    12.3.2  注意力層
    12.3.3  訓練與預測
  12.4  實驗與分析
    12.4.1  數據集介紹
    12.4.2  實驗設置
    12.4.3  總體結果
    12.4.4  多語言的效果驗證
  12.5  本章小結
  參考文獻
第13章  基於差異性神經表示的事件檢測方法
  13.1  問題背景
  13.2  相關工作
    13.2.1  基於特徵的方法
    13.2.2  基於增強的方法
    13.2.3  基於神經網路的方法
  13.3  模型方法
    13.3.1  模型框架
    13.3.2  編碼模塊
    13.3.3  對比學習模塊
    13.3.4  Mixspan模塊
    13.3.5  模型訓練與預測
  13.4  實驗與分析
    13.4.1  數據集介紹
    13.4.2  實驗設置
    13.4.3  總體結果
  13.5  本章小結
  參考文獻
第14章  基於分層策略網路的事件抽取方法
  14.1  問題背景
  14.2  相關工作
    14.2.1  流水線式事件抽取方法
    14.2.2  聯合事件抽取方法
    14.2.3  策略網路方法
  14.3  模型方法
    14.3.1  事件級策略網路
    14.3.2  論元級策略網路
    14.3.3  分雇訓練
  14.4  實驗與分析
    14.4.1  數據集介紹
    14.4.2  實驗設置
    14.4.3  總體結果
    14.4.4  分展框架的效果評估
    14.4.5  策略網路的效果
  14.5  本章小結

  參考文獻
第15章  知識結構化未來展望
  15.1  總結
  15.2  未來展望
    15.2.1  實體抽取技術
    15.2.2  三元組抽取技術
    15.2.3  事件抽取技術
  15.3  大語言模型技術
  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032