歡迎光臨中圖網(wǎng) 請 | 注冊
> >
面向共融機(jī)器人的自然交互——命名實(shí)體識別與關(guān)系抽取

面向共融機(jī)器人的自然交互——命名實(shí)體識別與關(guān)系抽取

出版社：清華大學(xué)出版社出版時(shí)間：2023-09-01
開本： 其他 頁數(shù)： 200
中 圖 價(jià):¥51.0(7.5折) 定價(jià)  ¥68.0 登錄后可看到會員價(jià)
加入購物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

面向共融機(jī)器人的自然交互——命名實(shí)體識別與關(guān)系抽取 版權(quán)信息

面向共融機(jī)器人的自然交互——命名實(shí)體識別與關(guān)系抽取 本書特色

國內(nèi)首套面向共融機(jī)器人的智能信息處理基礎(chǔ)理論與關(guān)鍵實(shí)現(xiàn)技術(shù)論著。l 深度探討了面向開放領(lǐng)域的命名實(shí)體識別和關(guān)系抽取技術(shù)；
l 深度探討了實(shí)現(xiàn)魯棒性的命名實(shí)體識別和關(guān)系抽取方法與實(shí)現(xiàn)策略；l 系統(tǒng)論述了深度人工智能時(shí)代共融機(jī)器人自然交互的基礎(chǔ)理論與實(shí)現(xiàn)方法

面向共融機(jī)器人的自然交互——命名實(shí)體識別與關(guān)系抽取 內(nèi)容簡介

共融機(jī)器人是能夠與作業(yè)環(huán)境、人和其他機(jī)器人自然交互、自主適應(yīng)復(fù)雜動態(tài)環(huán)境并協(xié)同作業(yè)的機(jī)器人。“敏銳體貼型”的自然交互是共融服務(wù)機(jī)器人的研究熱點(diǎn)之一，業(yè)內(nèi)當(dāng)前迫切需要共融機(jī)器人具備理解復(fù)雜語義信息的能力。本書立足于深度學(xué)習(xí)方法的信息與知識抽取領(lǐng)域，從學(xué)習(xí)文本表示出發(fā)，系統(tǒng)地介紹了用于獲取現(xiàn)實(shí)世界知識信息中命名實(shí)體和實(shí)體關(guān)系的方法，并深入探討了如何在開放領(lǐng)域?qū)崿F(xiàn)魯棒的實(shí)體關(guān)系分析。 本書是國內(nèi)共融機(jī)器人自然交互領(lǐng)域**本系統(tǒng)介紹深度學(xué)習(xí)的命名實(shí)體識別和關(guān)系抽取的專業(yè)書籍，可為讀者掌握共融機(jī)器人研究領(lǐng)域信息與知識抽取的關(guān)鍵技術(shù)和基礎(chǔ)知識，追蹤該領(lǐng)域的發(fā)展前沿提供參考，適合人工智能科學(xué)與技術(shù)、人工智能等專業(yè)的學(xué)生及相關(guān)研究者閱讀。

面向共融機(jī)器人的自然交互——命名實(shí)體識別與關(guān)系抽取 目錄

第1篇引言
第1章對話信息中的命名實(shí)體識別3
1.1命名實(shí)體識別概述3
1.2相關(guān)研究方法概述5
1.2.1詞嵌入表示方法5
1.2.2上下文編碼架構(gòu)7
1.2.3標(biāo)簽解碼網(wǎng)絡(luò)8
1.3本章小結(jié)8
第2章垂直領(lǐng)域的實(shí)體關(guān)系分析10
2.1抽取垂直領(lǐng)域的實(shí)體關(guān)系11
2.1.1基于有監(jiān)督方法的關(guān)系抽取11
2.1.2基于遠(yuǎn)程監(jiān)督方法的關(guān)系抽取12
2.1.3基于小樣本學(xué)習(xí)方法的關(guān)系抽取13
2.1.4實(shí)體和關(guān)系聯(lián)合抽取13
2.2相關(guān)研究方法綜述14
2.2.1卷積神經(jīng)網(wǎng)絡(luò)14
2.2.2注意力機(jī)制14
2.2.3圖神經(jīng)網(wǎng)絡(luò)15
2.2.4對抗訓(xùn)練15
2.3本章小結(jié)16
第3章開放領(lǐng)域的實(shí)體關(guān)系分析17
3.1開放領(lǐng)域的實(shí)體關(guān)系抽取17
3.2相關(guān)研究方法綜述18
3.2.1自監(jiān)督學(xué)習(xí)18
3.2.2開放世界分類18
3.2.3無監(jiān)督聚類19
3.2.4深度度量學(xué)習(xí)19
3.2.5持續(xù)學(xué)習(xí)19
3.2.6對比學(xué)習(xí)20
3.3本章小結(jié)20
本篇小結(jié)21
目錄 面向共融機(jī)器人的自然交互——命名實(shí)體識別與關(guān)系抽取〖2〗〖2〗 〖1〗 第2篇對話信息中的命名實(shí)體識別
第4章基于SLSTM的上下文詞狀態(tài)與句子狀態(tài)表示模型25
4.1概述25
4.2基于GloVe的詞嵌入25
4.3基于雙向LSTM的字符級向量表示26
4.3.1LSTM神經(jīng)網(wǎng)絡(luò)26
4.3.2雙向LSTM神經(jīng)網(wǎng)絡(luò)29
4.3.3字符級向量表示模型29
4.4基于Attention機(jī)制的詞向量與字符向量連接30
4.5預(yù)訓(xùn)練的額外詞表示31
4.5.1雙向語言模型31
4.5.2ELMo32
4.6上下文詞狀態(tài)表示33
4.7基于SLSTM構(gòu)建面向命名實(shí)體識別的新的句子狀態(tài)表示33
4.8基于改進(jìn)SLSTM構(gòu)建面向命名實(shí)體識別的新的上下文詞狀態(tài)35
4.9標(biāo)簽預(yù)測36
4.10實(shí)驗(yàn)與分析37
4.10.1數(shù)據(jù)集37
4.10.2超參數(shù)38
4.10.3評估指標(biāo)39
4.10.4實(shí)驗(yàn)分析39
4.11本章小結(jié)43
第5章基于句子語義與SelfAttention機(jī)制的中文和英文NER模型44
5.1概述44
5.2模型的總體結(jié)構(gòu)44
5.3詞嵌入層45
5.3.1英文詞嵌入層45
5.3.2中文詞嵌入層46
5.4SelfAttention機(jī)制47
5.4.1Attention機(jī)制48
5.4.2MultiHead Attention49
5.4.3SelfAttention50
5.5句子表示模型51
5.5.1基于雙向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實(shí)驗(yàn)與分析52
5.6.1數(shù)據(jù)集52
5.6.2超參數(shù)53
5.6.3模型探索53
5.6.4模型的橫向?qū)Ρ?4
5.6.5模型的縱向?qū)Ρ?6
5.7本章小結(jié)57
第6章融合了拼音嵌入與五筆嵌入的中文NER模型58
6.1概述58
6.2字符嵌入58
6.3拼音嵌入58
6.4五筆嵌入60
6.5融合多種嵌入的模型結(jié)構(gòu)61
6.6實(shí)驗(yàn)與分析62
6.6.1數(shù)據(jù)集62
6.6.2超參數(shù)63
6.6.3模型的橫向?qū)Ρ?3
6.6.4消融實(shí)驗(yàn)64
6.7本章小結(jié)65
本篇小結(jié)65
第3篇垂直領(lǐng)域的實(shí)體關(guān)系分析
第7章基于遠(yuǎn)程監(jiān)督方法的關(guān)系抽取69
7.1概述69
7.2深度卷積神經(jīng)網(wǎng)絡(luò)70
7.2.1文本向量化表示70
7.2.2殘差神經(jīng)網(wǎng)絡(luò)70
7.2.3補(bǔ)償機(jī)制72
7.2.4注意力機(jī)制73
7.3對抗訓(xùn)練74
7.4實(shí)驗(yàn)與分析74
7.4.1數(shù)據(jù)集和評估指標(biāo)75
7.4.2實(shí)驗(yàn)設(shè)置75
7.4.3補(bǔ)償機(jī)制的有效性76
7.4.4對抗訓(xùn)練的有效性78
7.4.5與先進(jìn)基線方法對比78
7.5不足和展望81
7.6本章小結(jié)81
第8章基于小樣本學(xué)習(xí)的關(guān)系抽取82
8.1概述82
8.2異構(gòu)圖神經(jīng)網(wǎng)絡(luò)83
8.2.1任務(wù)定義83
8.2.2節(jié)點(diǎn)的向量化表示83
8.2.3異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)84
8.2.4異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中的邊85
8.2.5異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中的狀態(tài)表示86
8.3異構(gòu)圖神經(jīng)網(wǎng)絡(luò)中的對抗訓(xùn)練87
8.4實(shí)驗(yàn)與分析87
8.4.1數(shù)據(jù)集和評估指標(biāo)88
8.4.2實(shí)驗(yàn)設(shè)置88
8.4.3異構(gòu)圖神經(jīng)網(wǎng)絡(luò)的有效性89
8.4.4異構(gòu)圖神經(jīng)網(wǎng)絡(luò)對噪聲數(shù)據(jù)的魯棒性90
8.4.5節(jié)點(diǎn)可視化表示91
8.4.6案例分析92
8.5不足與展望93
8.6本章小結(jié)94
第9章文檔級別的關(guān)系抽取方法95
9.1概述95
9.2文檔的向量化表示95
9.3“注意力”機(jī)制在文檔級別關(guān)系抽取中的應(yīng)用98
9.4實(shí)驗(yàn)與分析100
9.4.1數(shù)據(jù)集和評估指標(biāo)100
9.4.2實(shí)驗(yàn)設(shè)置101
9.4.3“注意力”機(jī)制的有效性102
9.5不足與展望103
9.6本章小結(jié)103
第10章基于表示迭代融合的實(shí)體和關(guān)系聯(lián)合抽取104
10.1概述104
10.2任務(wù)定義105
10.3表示迭代融合方法106
10.3.1節(jié)點(diǎn)向量化106
10.3.2異構(gòu)圖神經(jīng)網(wǎng)絡(luò)層107
10.3.3實(shí)體關(guān)系抽取108
10.4實(shí)驗(yàn)與分析110
10.4.1數(shù)據(jù)集和評估指標(biāo)110
10.4.2訓(xùn)練細(xì)節(jié)和參數(shù)設(shè)置111
10.4.3模型對比實(shí)驗(yàn)111
10.4.4不同類型的句子上的詳細(xì)的結(jié)果113
10.4.5分析和討論114
10.5本章小結(jié)118
本篇小結(jié)119
第4篇開放領(lǐng)域的實(shí)體關(guān)系分析
第11章基于動態(tài)閾值的開放關(guān)系檢測123
11.1概述123
11.2任務(wù)定義125
11.3基于生成式負(fù)樣本的動態(tài)閾值方法125
11.3.1關(guān)系表示125
11.3.2動態(tài)閾值126
11.3.3生成式負(fù)樣本127
11.4實(shí)驗(yàn)與分析128
11.4.1數(shù)據(jù)集128
11.4.2評價(jià)指標(biāo)128
11.4.3基線模型129
11.4.4參數(shù)設(shè)置和訓(xùn)練細(xì)節(jié)129
11.4.5結(jié)果與討論129
11.5本章小結(jié)135
第12章基于自加權(quán)損失的開放關(guān)系抽取136
12.1概述136
12.2任務(wù)定義137
12.3基于自加權(quán)損失的半監(jiān)督學(xué)習(xí)框架137
12.3.1關(guān)系表示抽取模塊138
12.3.2基于深度度量學(xué)習(xí)的知識遷移138
12.3.3基于聚類的開放關(guān)系發(fā)現(xiàn)139
12.4實(shí)驗(yàn)與分析140
12.4.1數(shù)據(jù)集140
12.4.2評價(jià)指標(biāo)140
12.4.3基線模型140
12.4.4參數(shù)設(shè)置和訓(xùn)練細(xì)節(jié)141
12.4.5結(jié)果和討論141
12.5本章小結(jié)146
第13章基于一致性表示學(xué)習(xí)的持續(xù)關(guān)系抽取147
13.1概述147
13.2任務(wù)定義148
13.3一致性表示學(xué)習(xí)方法148
13.3.1編碼器149
13.3.2新任務(wù)的初始訓(xùn)練150
13.3.3為記憶選擇代表性樣本150
13.3.4一致性表示學(xué)習(xí)150
13.3.5基于類均值的預(yù)測152
13.4實(shí)驗(yàn)與分析152
13.4.1數(shù)據(jù)集153
13.4.2評價(jià)指標(biāo)153
13.4.3基線模型153
13.4.4訓(xùn)練細(xì)節(jié)和參數(shù)設(shè)置153
13.4.5結(jié)果和討論154
13.5本章小結(jié)158
第14章開放域文本關(guān)系抽取的可擴(kuò)展可視化平臺159
14.1概述159
14.2文本開放關(guān)系抽取系統(tǒng)160
14.2.1數(shù)據(jù)集管理161
14.2.2模型管理161
14.2.3可視化模塊162
14.2.4開放關(guān)系抽取流水線162
14.3本章小結(jié)164
本篇小結(jié)164
參考文獻(xiàn)165
附錄A英文縮寫對照表180
附錄B圖片索引183
附錄C表格索引185
結(jié)束語187
展開全部

面向共融機(jī)器人的自然交互——命名實(shí)體識別與關(guān)系抽取 作者簡介

徐華博士，2003年畢業(yè)于清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，現(xiàn)為清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系長聘副教授，博士生導(dǎo)師。從事多模態(tài)智能信息處理、智能優(yōu)化和共融機(jī)器人智能控制等研究工作。擔(dān)任愛思唯爾（Elsevier）開放期刊Intelligent Systems with Applications首任主編，權(quán)威期刊Expert Systems with Applications副主編。完成國家科技重大專項(xiàng)課題3項(xiàng)，國家自然科學(xué)基金項(xiàng)目4項(xiàng)，國家973項(xiàng)目二級課題2項(xiàng)，國家863項(xiàng)目（課題）5項(xiàng)，國際500強(qiáng)企業(yè)（寶潔、西門子、安捷倫等）合作項(xiàng)目13項(xiàng)。目前已在本專業(yè)領(lǐng)域權(quán)威國際期刊和AAAI、ACL、ACM MM等頂級會議上發(fā)表學(xué)術(shù)論文100余篇。獲得國家科學(xué)技術(shù)進(jìn)步獎(jiǎng)二等獎(jiǎng)1項(xiàng)（集體獎(jiǎng)），北京市科學(xué)技術(shù)獎(jiǎng)一等獎(jiǎng)1項(xiàng)，北京市科學(xué)技術(shù)獎(jiǎng)二等獎(jiǎng)1項(xiàng)（集體獎(jiǎng)），北京市科學(xué)技術(shù)獎(jiǎng)三等獎(jiǎng)1項(xiàng)，重慶市科技進(jìn)步獎(jiǎng)三等獎(jiǎng)1項(xiàng)，中國物流與采購聯(lián)合會科技發(fā)明獎(jiǎng)一等獎(jiǎng)1項(xiàng)，中國物流與采購聯(lián)合會科學(xué)技術(shù)獎(jiǎng)一等獎(jiǎng)1項(xiàng)。作為主講教師，主講清華大學(xué)全校性課程“數(shù)據(jù)挖掘：方法與應(yīng)用”“工業(yè)數(shù)據(jù)挖掘與分析”“互聯(lián)網(wǎng)產(chǎn)品設(shè)計(jì)”等課程。獨(dú)立編寫專著和教材5部，其中《演化機(jī)器學(xué)習(xí)》是國內(nèi)首部演化機(jī)器學(xué)習(xí)領(lǐng)域的學(xué)術(shù)專著；《面向共融機(jī)器人的自然交互—人機(jī)對話意圖理解》是國內(nèi)首部共融機(jī)器人自然交互領(lǐng)域的學(xué)術(shù)專著；《數(shù)據(jù)挖掘：方法與應(yīng)用》和《數(shù)據(jù)挖掘：方法與應(yīng)用—應(yīng)用案例》已經(jīng)被國內(nèi)眾多高校選用為配套教材，并獲得清華大學(xué)優(yōu)秀教材（2020年）二等獎(jiǎng)。

商品評論(0條)
暫無評論……
書友推薦
本類暢銷
編輯推薦
返回頂部
中圖網(wǎng)
在線客服