互聯(lián)網(wǎng)時代導(dǎo)致了人們獲得的資訊中存在大量冗余的或者無意義的信息,然而很多用戶使用網(wǎng)絡(luò)的目標是希望能夠清晰的了解某一件事情的“因果”,避免瀏覽不相關(guān)或者重復(fù)信息。除此之外,用戶希望可以從繁多的網(wǎng)頁信息中快速準確的找到自己關(guān)心的“因果”信息。那么對文本中的“因果”相關(guān)任務(wù)探究便十分必要。本文對面向新聞領(lǐng)域的因果關(guān)系判斷方法進行了探究,首先提出了基于句子成分的論元識別方法,在得到論元的基礎(chǔ)上提出基于句法和語義信息融合的因果關(guān)系判斷方法,最后構(gòu)建出的因果知識庫可用于信息檢索和問答等多種應(yīng)用中。首先,論元識別任務(wù)是需要從輸入的自然語言語句中選擇出可以表達關(guān)系的兩個句子成分,這里所指句子成分為一段連續(xù)的、可以表達一個完成語義的文字序列。本文將輸入句子進行句法樹表示,采用子樹提取算法獲取候選論元,選擇機器學(xué)習(xí)模型進行論元識別。本文將識別出的論元對用于因果關(guān)系判斷。而本文所指的因果關(guān)系判斷任務(wù)主要是判別輸入的兩個論元之間是否存在事實性的、明確的影響,是二分類任務(wù)。分析任務(wù)的特點之后可以看出除了論元序列本身的語義信息外,輸入論元的句法結(jié)構(gòu)信息對因果關(guān)系判斷也有影響。因此本文從兩個方面進行嘗試:一個是基于句...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1例2-1的句法樹表示本文使用子樹提取算法獲取候選論元

哈爾濱工業(yè)大學(xué)碩士學(xué)位論文可以看出最大熵模型學(xué)習(xí)的主要是特征函數(shù)f(x,y)的權(quán)重。目標函數(shù)是最大熵模型的似然函數(shù)，可以通過最大似然估計參數(shù)。2.3.2基于句子成分的論元識別基于句子成分（Constitute-Based）的識別方法首先需用句法樹（parsetree....

圖2-2循環(huán)神經(jīng)網(wǎng)絡(luò)的神經(jīng)元示意圖

網(wǎng)絡(luò)RNN）接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)或者卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)都是首先隱藏層，再將隱藏層得到的中間數(shù)據(jù)信息傳遞給輸全部連接要么是部分連接，但事每一層內(nèi)部的所有自然語言處理任務(wù)中存在一個比較常見的問題：句子具有正確的詞語順序、合理的結(jié)構(gòu)、確定的語生變化就有可能破壞這種嚴謹?shù)暮侠泶_定的唯一語沒有辦法....

圖2-3LSTM記憶單元示意圖

泛的一種形式，LSTM比標準RNN在眾多的方面都單的循環(huán)神經(jīng)網(wǎng)絡(luò)雖然可以很好的處理短距離（卻無法較好處理長距離（long-term）依賴關(guān)系。部分推移下多次乘法操作導(dǎo)致的梯度爆炸或者梯度消散絡(luò)能夠解決RNN存在的梯度消散問題，它在反向進行傳播，從而可以學(xué)習(xí)長期依賴信息。....

圖 2-4 Tree-LSTM 模型結(jié)構(gòu)示意圖

[37]（數(shù)量和孩子節(jié)點數(shù)相同），圖2-4是Tree-LSTM模型的結(jié)構(gòu)示意圖。圖2-4Tree-LSTM模型結(jié)構(gòu)示意圖本文中給出的是二叉樹結(jié)構(gòu)，故有兩個遺忘門。在多數(shù)應(yīng)用中，可以把多叉樹表示轉(zhuǎn)化為二叉樹。下圖2-5是一個tree-LSTM記憶細胞圖：圖2....

本文編號：4018731