返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 面向共融机器人的自然交互 命名实体识别与关系抽取 徐华,高凯 编 专业科技 文轩网
  • 新华书店正版
    • 作者: 徐华、高凯著
    • 出版社: 清华大学出版社
    • 出版时间:2023-09-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 徐华、高凯著
    • 出版社:清华大学出版社
    • 出版时间:2023-09-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2023-09-01
    • 页数:0
    • 开本:其他
    • 装帧:平装
    • ISBN:9787302638322
    • 国别/地区:中国
    • 版权提供:清华大学出版社

    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:徐华,高凯 编
    定  价:68
    出 版 社:清华大学出版社
    出版日期:2023年09月01日
    页  数:400
    装  帧:平装
    ISBN:9787302638322
    主编推荐

    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

    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第一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。

    作者简介

    精彩内容

    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
    第2篇对话信息中的命名实体识别
    第4章基于S-LSTM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S-LSTM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S-LSTM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Self-Attention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
    5.4Self-Attention机制47
    5.4.1Attention机制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与优选基线方法对比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

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购