基于深度学习的关系抽取研究综述

被引：26

作者：

庄传志 ^{[1
,2
]}

靳小龙 ^{[1
,2
]}

朱伟建 ^{[1
,2
]}

刘静伟 ^{[1
,2
]}

白龙 ^{[1
,2
]}

程学旗 ^{[1
,2
]}

机构：

[1] 中国科学院计算技术研究所中国科学院网络数据科学与技术重点实验室

[2] 中国科学院大学计算机与控制学院

来源：

中文信息学报 | 2019年 / 33卷 / 12期

基金：

国家重点研发计划;

关键词：

关系抽取; 深度学习; 远程监督; 联合学习;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理]; TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

关系抽取(RE)是为了抽取文本中包含的关系,是信息抽取(IE)的重要组成部分。近年来,研究人员利用深度学习技术在该领域开展了深入研究。由于神经网络类型丰富,基于深度学习的关系抽取方法也更加多样。该文从关系抽取的基本概念出发,对关系抽取方法依据不同的视角进行了类别划分。随后,介绍了基于深度学习的关系抽取方法常用的数据集,并总结出基于深度学习的关系抽取框架。在此框架下,对关系抽取方法在面向深度学习的输入数据预处理、面向深度学习的神经网络模型设计等方面的具体工作进行了分析与评述,最后对未来的研究方向进行了探讨和展望。

引用

页码：1 / 18

页数：18

共 9 条

[1] 关系抽取技术研究综述
黄勋
游宏梁
于洋
[J]. 现代图书情报技术, 2013, (11) : 30 - 39
[2] 基于机器学习的实体关系抽取方法
刘方驰
钟志农
雷霖
吴烨
[J]. 兵工自动化, 2013, 32 (09) : 57 - 62
[3] 实体关系抽取的技术方法综述
徐健
张智雄
吴振新
[J]. 现代图书情报技术, 2008, (08) : 18 - 23
[4] A Combination of RNN and CNN for Attention-based Relation Classification[J] . Xiaobin Zhang,Fucai Chen,Ruiyang Huang.Procedia Computer Science . 2018
[5] Joint entity and relation extraction based on a hybrid neural network[J] . Suncong Zheng,Yuexing Hao,Dongyuan Lu,Hongyun Bao,Jiaming Xu,Hongwei Hao,Bo Xu.Neurocomputing . 2016
[6] An empirical convolutional neural network approach for semantic relation classification[J] . Pengda Qin,Weiran Xu,Jun Guo.Neurocomputing . 2015
[7] Long short-term memory
Hochreiter, S
Schmidhuber, J
[J]. NEURAL COMPUTATION, 1997, 9 (08) : 1735 - 1780
[8] Semantic Relation Classification via Bidirectional LSTM Networks with Entity-aware Attention using Latent Entity Typing .2 Lee J,Seo S,Choi Y S. . 2019
[9] Bidirectional Recurrent Convolutional Neural Network for Relation Classification .2 Cai R,Zhang X,Wang H. Meeting of the Association for Computational Linguistics . 2016

← 1 →