扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
面向共融机器人的自然交互——命名实体识别与关系抽取 版权信息
- ISBN：9787302638322
- 条形码：9787302638322 ; 978-7-302-63832-2
- 装帧：平装-胶订
- 册数：暂无
- 重量：暂无
- 所属分类：>
面向共融机器人的自然交互——命名实体识别与关系抽取 本书特色
国内首套面向共融机器人的智能信息处理基础理论与关键实现技术论著。l 深度探讨了面向开放领域的命名实体识别和关系抽取技术；
l 深度探讨了实现鲁棒性的命名实体识别和关系抽取方法与实现策略；l 系统论述了深度人工智能时代共融机器人自然交互的基础理论与实现方法
面向共融机器人的自然交互——命名实体识别与关系抽取 内容简介
共融机器人是能够与作业环境、人和其他机器人自然交互、自主适应复杂动态环境并协同作业的机器人。“敏锐体贴型”的自然交互是共融服务机器人的研究热点之一，业内当前迫切需要共融机器人具备理解复杂语义信息的能力。本书立足于深度学习方法的信息与知识抽取领域，从学习文本表示出发，系统地介绍了用于获取现实世界知识信息中命名实体和实体关系的方法，并深入探讨了如何在开放领域实现鲁棒的实体关系分析。 本书是国内共融机器人自然交互领域**本系统介绍深度学习的命名实体识别和关系抽取的专业书籍，可为读者掌握共融机器人研究领域信息与知识抽取的关键技术和基础知识，追踪该领域的发展前沿提供参考，适合人工智能科学与技术、人工智能等专业的学生及相关研究者阅读。
面向共融机器人的自然交互——命名实体识别与关系抽取 目录
第1篇引言
第1章对话信息中的命名实体识别3
1.1命名实体识别概述3
1.2相关研究方法概述5
1.2.1词嵌入表示方法5
1.2.2上下文编码架构7
1.2.3标签解码网络8
1.3本章小结8
第2章垂直领域的实体关系分析10
2.1抽取垂直领域的实体关系11
2.1.1基于有监督方法的关系抽取11
2.1.2基于远程监督方法的关系抽取12
2.1.3基于小样本学习方法的关系抽取13
2.1.4实体和关系联合抽取13
2.2相关研究方法综述14
2.2.1卷积神经网络14
2.2.2注意力机制14
2.2.3图神经网络15
2.2.4对抗训练15
2.3本章小结16
第3章开放领域的实体关系分析17
3.1开放领域的实体关系抽取17
3.2相关研究方法综述18
3.2.1自监督学习18
3.2.2开放世界分类18
3.2.3无监督聚类19
3.2.4深度度量学习19
3.2.5持续学习19
3.2.6对比学习20
3.3本章小结20
本篇小结21
目录 面向共融机器人的自然交互——命名实体识别与关系抽取〖2〗〖2〗 〖1〗 第2篇对话信息中的命名实体识别
第4章基于SLSTM的上下文词状态与句子状态表示模型25
4.1概述25
4.2基于GloVe的词嵌入25
4.3基于双向LSTM的字符级向量表示26
4.3.1LSTM神经网络26
4.3.2双向LSTM神经网络29
4.3.3字符级向量表示模型29
4.4基于Attention机制的词向量与字符向量连接30
4.5预训练的额外词表示31
4.5.1双向语言模型31
4.5.2ELMo32
4.6上下文词状态表示33
4.7基于SLSTM构建面向命名实体识别的新的句子状态表示33
4.8基于改进SLSTM构建面向命名实体识别的新的上下文词状态35
4.9标签预测36
4.10实验与分析37
4.10.1数据集37
4.10.2超参数38
4.10.3评估指标39
4.10.4实验分析39
4.11本章小结43
第5章基于句子语义与SelfAttention机制的中文和英文NER模型44
5.1概述44
5.2模型的总体结构44
5.3词嵌入层45
5.3.1英文词嵌入层45
5.3.2中文词嵌入层46
5.4SelfAttention机制47
5.4.1Attention机制48
5.4.2MultiHead Attention49
5.4.3SelfAttention50
5.5句子表示模型51
5.5.1基于双向LSTM的句子表示模型51
5.5.2基于多通道CNN的句子表示模型51
5.6实验与分析52
5.6.1数据集52
5.6.2超参数53
5.6.3模型探索53
5.6.4模型的横向对比54
5.6.5模型的纵向对比56
5.7本章小结57
第6章融合了拼音嵌入与五笔嵌入的中文NER模型58
6.1概述58
6.2字符嵌入58
6.3拼音嵌入58
6.4五笔嵌入60
6.5融合多种嵌入的模型结构61
6.6实验与分析62
6.6.1数据集62
6.6.2超参数63
6.6.3模型的横向对比63
6.6.4消融实验64
6.7本章小结65
本篇小结65
第3篇垂直领域的实体关系分析
第7章基于远程监督方法的关系抽取69
7.1概述69
7.2深度卷积神经网络70
7.2.1文本向量化表示70
7.2.2残差神经网络70
7.2.3补偿机制72
7.2.4注意力机制73
7.3对抗训练74
7.4实验与分析74
7.4.1数据集和评估指标75
7.4.2实验设置75
7.4.3补偿机制的有效性76
7.4.4对抗训练的有效性78
7.4.5与先进基线方法对比78
7.5不足和展望81
7.6本章小结81
第8章基于小样本学习的关系抽取82
8.1概述82
8.2异构图神经网络83
8.2.1任务定义83
8.2.2节点的向量化表示83
8.2.3异构图神经网络中的节点84
8.2.4异构图神经网络中的边85
8.2.5异构图神经网络中的状态表示86
8.3异构图神经网络中的对抗训练87
8.4实验与分析87
8.4.1数据集和评估指标88
8.4.2实验设置88
8.4.3异构图神经网络的有效性89
8.4.4异构图神经网络对噪声数据的鲁棒性90
8.4.5节点可视化表示91
8.4.6案例分析92
8.5不足与展望93
8.6本章小结94
第9章文档级别的关系抽取方法95
9.1概述95
9.2文档的向量化表示95
9.3“注意力”机制在文档级别关系抽取中的应用98
9.4实验与分析100
9.4.1数据集和评估指标100
9.4.2实验设置101
9.4.3“注意力”机制的有效性102
9.5不足与展望103
9.6本章小结103
第10章基于表示迭代融合的实体和关系联合抽取104
10.1概述104
10.2任务定义105
10.3表示迭代融合方法106
10.3.1节点向量化106
10.3.2异构图神经网络层107
10.3.3实体关系抽取108
10.4实验与分析110
10.4.1数据集和评估指标110
10.4.2训练细节和参数设置111
10.4.3模型对比实验111
10.4.4不同类型的句子上的详细的结果113
10.4.5分析和讨论114
10.5本章小结118
本篇小结119
第4篇开放领域的实体关系分析
第11章基于动态阈值的开放关系检测123
11.1概述123
11.2任务定义125
11.3基于生成式负样本的动态阈值方法125
11.3.1关系表示125
11.3.2动态阈值126
11.3.3生成式负样本127
11.4实验与分析128
11.4.1数据集128
11.4.2评价指标128
11.4.3基线模型129
11.4.4参数设置和训练细节129
11.4.5结果与讨论129
11.5本章小结135
第12章基于自加权损失的开放关系抽取136
12.1概述136
12.2任务定义137
12.3基于自加权损失的半监督学习框架137
12.3.1关系表示抽取模块138
12.3.2基于深度度量学习的知识迁移138
12.3.3基于聚类的开放关系发现139
12.4实验与分析140
12.4.1数据集140
12.4.2评价指标140
12.4.3基线模型140
12.4.4参数设置和训练细节141
12.4.5结果和讨论141
12.5本章小结146
第13章基于一致性表示学习的持续关系抽取147
13.1概述147
13.2任务定义148
13.3一致性表示学习方法148
13.3.1编码器149
13.3.2新任务的初始训练150
13.3.3为记忆选择代表性样本150
13.3.4一致性表示学习150
13.3.5基于类均值的预测152
13.4实验与分析152
13.4.1数据集153
13.4.2评价指标153
13.4.3基线模型153
13.4.4训练细节和参数设置153
13.4.5结果和讨论154
13.5本章小结158
第14章开放域文本关系抽取的可扩展可视化平台159
14.1概述159
14.2文本开放关系抽取系统160
14.2.1数据集管理161
14.2.2模型管理161
14.2.3可视化模块162
14.2.4开放关系抽取流水线162
14.3本章小结164
本篇小结164
参考文献165
附录A英文缩写对照表180
附录B图片索引183
附录C表格索引185
结束语187
第1章对话信息中的命名实体识别3
1.1命名实体识别概述3
1.2相关研究方法概述5
1.2.1词嵌入表示方法5
1.2.2上下文编码架构7
1.2.3标签解码网络8
1.3本章小结8
第2章垂直领域的实体关系分析10
2.1抽取垂直领域的实体关系11
2.1.1基于有监督方法的关系抽取11
2.1.2基于远程监督方法的关系抽取12
2.1.3基于小样本学习方法的关系抽取13
2.1.4实体和关系联合抽取13
2.2相关研究方法综述14
2.2.1卷积神经网络14
2.2.2注意力机制14
2.2.3图神经网络15
2.2.4对抗训练15
2.3本章小结16
第3章开放领域的实体关系分析17
3.1开放领域的实体关系抽取17
3.2相关研究方法综述18
3.2.1自监督学习18
3.2.2开放世界分类18
3.2.3无监督聚类19
3.2.4深度度量学习19
3.2.5持续学习19
3.2.6对比学习20
3.3本章小结20
本篇小结21
目录 面向共融机器人的自然交互——命名实体识别与关系抽取〖2〗〖2〗 〖1〗 第2篇对话信息中的命名实体识别
第4章基于SLSTM的上下文词状态与句子状态表示模型25
4.1概述25
4.2基于GloVe的词嵌入25
4.3基于双向LSTM的字符级向量表示26
4.3.1LSTM神经网络26
4.3.2双向LSTM神经网络29
4.3.3字符级向量表示模型29
4.4基于Attention机制的词向量与字符向量连接30
4.5预训练的额外词表示31
4.5.1双向语言模型31
4.5.2ELMo32
4.6上下文词状态表示33
4.7基于SLSTM构建面向命名实体识别的新的句子状态表示33
4.8基于改进SLSTM构建面向命名实体识别的新的上下文词状态35
4.9标签预测36
4.10实验与分析37
4.10.1数据集37
4.10.2超参数38
4.10.3评估指标39
4.10.4实验分析39
4.11本章小结43
第5章基于句子语义与SelfAttention机制的中文和英文NER模型44
5.1概述44
5.2模型的总体结构44
5.3词嵌入层45
5.3.1英文词嵌入层45
5.3.2中文词嵌入层46
5.4SelfAttention机制47
5.4.1Attention机制48
5.4.2MultiHead Attention49
5.4.3SelfAttention50
5.5句子表示模型51
5.5.1基于双向LSTM的句子表示模型51
5.5.2基于多通道CNN的句子表示模型51
5.6实验与分析52
5.6.1数据集52
5.6.2超参数53
5.6.3模型探索53
5.6.4模型的横向对比54
5.6.5模型的纵向对比56
5.7本章小结57
第6章融合了拼音嵌入与五笔嵌入的中文NER模型58
6.1概述58
6.2字符嵌入58
6.3拼音嵌入58
6.4五笔嵌入60
6.5融合多种嵌入的模型结构61
6.6实验与分析62
6.6.1数据集62
6.6.2超参数63
6.6.3模型的横向对比63
6.6.4消融实验64
6.7本章小结65
本篇小结65
第3篇垂直领域的实体关系分析
第7章基于远程监督方法的关系抽取69
7.1概述69
7.2深度卷积神经网络70
7.2.1文本向量化表示70
7.2.2残差神经网络70
7.2.3补偿机制72
7.2.4注意力机制73
7.3对抗训练74
7.4实验与分析74
7.4.1数据集和评估指标75
7.4.2实验设置75
7.4.3补偿机制的有效性76
7.4.4对抗训练的有效性78
7.4.5与先进基线方法对比78
7.5不足和展望81
7.6本章小结81
第8章基于小样本学习的关系抽取82
8.1概述82
8.2异构图神经网络83
8.2.1任务定义83
8.2.2节点的向量化表示83
8.2.3异构图神经网络中的节点84
8.2.4异构图神经网络中的边85
8.2.5异构图神经网络中的状态表示86
8.3异构图神经网络中的对抗训练87
8.4实验与分析87
8.4.1数据集和评估指标88
8.4.2实验设置88
8.4.3异构图神经网络的有效性89
8.4.4异构图神经网络对噪声数据的鲁棒性90
8.4.5节点可视化表示91
8.4.6案例分析92
8.5不足与展望93
8.6本章小结94
第9章文档级别的关系抽取方法95
9.1概述95
9.2文档的向量化表示95
9.3“注意力”机制在文档级别关系抽取中的应用98
9.4实验与分析100
9.4.1数据集和评估指标100
9.4.2实验设置101
9.4.3“注意力”机制的有效性102
9.5不足与展望103
9.6本章小结103
第10章基于表示迭代融合的实体和关系联合抽取104
10.1概述104
10.2任务定义105
10.3表示迭代融合方法106
10.3.1节点向量化106
10.3.2异构图神经网络层107
10.3.3实体关系抽取108
10.4实验与分析110
10.4.1数据集和评估指标110
10.4.2训练细节和参数设置111
10.4.3模型对比实验111
10.4.4不同类型的句子上的详细的结果113
10.4.5分析和讨论114
10.5本章小结118
本篇小结119
第4篇开放领域的实体关系分析
第11章基于动态阈值的开放关系检测123
11.1概述123
11.2任务定义125
11.3基于生成式负样本的动态阈值方法125
11.3.1关系表示125
11.3.2动态阈值126
11.3.3生成式负样本127
11.4实验与分析128
11.4.1数据集128
11.4.2评价指标128
11.4.3基线模型129
11.4.4参数设置和训练细节129
11.4.5结果与讨论129
11.5本章小结135
第12章基于自加权损失的开放关系抽取136
12.1概述136
12.2任务定义137
12.3基于自加权损失的半监督学习框架137
12.3.1关系表示抽取模块138
12.3.2基于深度度量学习的知识迁移138
12.3.3基于聚类的开放关系发现139
12.4实验与分析140
12.4.1数据集140
12.4.2评价指标140
12.4.3基线模型140
12.4.4参数设置和训练细节141
12.4.5结果和讨论141
12.5本章小结146
第13章基于一致性表示学习的持续关系抽取147
13.1概述147
13.2任务定义148
13.3一致性表示学习方法148
13.3.1编码器149
13.3.2新任务的初始训练150
13.3.3为记忆选择代表性样本150
13.3.4一致性表示学习150
13.3.5基于类均值的预测152
13.4实验与分析152
13.4.1数据集153
13.4.2评价指标153
13.4.3基线模型153
13.4.4训练细节和参数设置153
13.4.5结果和讨论154
13.5本章小结158
第14章开放域文本关系抽取的可扩展可视化平台159
14.1概述159
14.2文本开放关系抽取系统160
14.2.1数据集管理161
14.2.2模型管理161
14.2.3可视化模块162
14.2.4开放关系抽取流水线162
14.3本章小结164
本篇小结164
参考文献165
附录A英文缩写对照表180
附录B图片索引183
附录C表格索引185
结束语187
展开全部
面向共融机器人的自然交互——命名实体识别与关系抽取 作者简介
徐华博士，2003年毕业于清华大学计算机科学与技术系，现为清华大学计算机科学与技术系长聘副教授，博士生导师。从事多模态智能信息处理、智能优化和共融机器人智能控制等研究工作。担任爱思唯尔（Elsevier）开放期刊Intelligent Systems with Applications首任主编，权威期刊Expert Systems with Applications副主编。完成国家科技重大专项课题3项，国家自然科学基金项目4项，国家973项目二级课题2项，国家863项目（课题）5项，国际500强企业（宝洁、西门子、安捷伦等）合作项目13项。目前已在本专业领域权威国际期刊和AAAI、ACL、ACM MM等顶级会议上发表学术论文100余篇。获得国家科学技术进步奖二等奖1项（集体奖），北京市科学技术奖一等奖1项，北京市科学技术奖二等奖1项（集体奖），北京市科学技术奖三等奖1项，重庆市科技进步奖三等奖1项，中国物流与采购联合会科技发明奖一等奖1项，中国物流与采购联合会科学技术奖一等奖1项。作为主讲教师，主讲清华大学全校性课程“数据挖掘：方法与应用”“工业数据挖掘与分析”“互联网产品设计”等课程。独立编写专著和教材5部，其中《演化机器学习》是国内首部演化机器学习领域的学术专著；《面向共融机器人的自然交互—人机对话意图理解》是国内首部共融机器人自然交互领域的学术专著；《数据挖掘：方法与应用》和《数据挖掘：方法与应用—应用案例》已经被国内众多高校选用为配套教材，并获得清华大学优秀教材（2020年）二等奖。
书友推荐
- >
史学评论
史学评论
¥13.9¥42.0 - >
回忆爱玛侬
回忆爱玛侬
¥11.5¥32.8 - >
我从未如此眷恋人间
我从未如此眷恋人间
¥19.0¥49.8 - >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥13.9¥21.0 - >
伊索寓言-世界文学名著典藏-全译本
伊索寓言-世界文学名著典藏-全译本
¥6.1¥19.0 - >
经典常谈
经典常谈
¥17.1¥39.8 - >
罗庸西南联大授课录
罗庸西南联大授课录
¥17.6¥32.0 - >
姑妈的宝刀
姑妈的宝刀
¥9.6¥30.0
本类畅销
-
”互联网+“时代计算机算法的应用及其实践研究
¥19.9¥59 -
微服务设计
¥52.8¥69 -
图说深度学习:用可视化方法理解复杂概念
¥109¥188 -
计算机基础
¥17.2¥31 -
改变未来的九大算法
¥50¥68 -
生成式AI入门与AWS实战
¥77.8¥99.8
