CAJ | 학술논문

关系抽取是信息抽取的一项子任务,用以识别文本中实体之间的语义关系.提出一种利用DBN(deep belief nets)模型进行基于特征的实体关系抽取方法,该模型是由多层无监督的RBM(restricted Boltzmann machine)网络和一层有监督的BP(back-propagation)网络组成的神经网络分类器.RBM网络以确保特征向量映射达到最优,最后一层BP网络分类RBM网络的输出特征向量,从而训练实体关系分类器.在ACE04语料上进行的相关测试,一方面证明了字特征比词特征更适用于中文关系抽取任务 ;另一方面设计了3组不同的实验,分别使用正确的实体类别信息、通过实体类型分类器得到实体类型信息和不使用实体类型信息,用以比较实体类型信息对关系抽取效果的影响.实验结果表明,DBN非常适用于基于高维空间特征的信息抽取任务,获得的效果比SVM和反向传播网络更好.
관계추취시신식추취적일항자임무,용이식별문본중실체지간적어의관계.제출일충이용DBN(deep belief nets)모형진행기우특정적실체관계추취방법,해모형시유다층무감독적RBM(restricted Boltzmann machine)망락화일층유감독적BP(back-propagation)망락조성적신경망락분류기.RBM망락이학보특정향량영사체도최우,최후일층BP망락분류RBM망락적수출특정향량,종이훈련실체관계분류기.재ACE04어료상진행적상관측시,일방면증명료자특정비사특정경괄용우중문관계추취임무 ;령일방면설계료3조불동적실험,분별사용정학적실체유별신식、통과실체류형분류기득도실체류형신식화불사용실체류형신식,용이비교실체류형신식대관계추취효과적영향.실험결과표명,DBN비상괄용우기우고유공간특정적신식추취임무,획득적효과비SVM화반향전파망락경호.