基于LSTM的語義關(guān)系分類研究.pdf

1、文本的深度語義分析近年來成為了自然語言研究領(lǐng)域的一個熱點。給定實體對的句子語義關(guān)系分類是其中一個重要的任務。語義關(guān)系分類技術(shù)的研究有助于其他文本處理技術(shù)的發(fā)展，例如信息檢索，信息抽取，文本摘要，機器翻譯，問答知識庫構(gòu)建，詞義消歧和語言模型等。
　　深度學習在自然語言處理領(lǐng)域的應用研究是近年來的研究熱點。有學者將深度學習技術(shù)用于語義關(guān)系分類任務上，并在標準測試集上得到了比傳統(tǒng)統(tǒng)計學習方法更好的成績。
　　但是本文認為，他們提出

2、的方案、使用的模型并沒有充分挖掘深度學習在該任務上的潛力。在當前多個深度模型中，基于長短期記憶單元（Long Short-term memory，LSTM）的遞歸神經(jīng)網(wǎng)絡（recurrent neural network，RNN）模型因為其能有效利用序列數(shù)據(jù)中長距離依賴信息的能力，被認為特別適合文本序列數(shù)據(jù)的處理。因此，本文提出一個基于LSTM的深度學習模型來解決語義關(guān)系分類問題，在標準評測集合上取得的成績達到了目前最好水平，展示出了L

3、STM在挖掘文本序列語義信息任務上的強大能力。
　　具體的，本文首先對原始文本進行預處理和特征提取，在該階段本文提出了相對依賴特征方案，然后將預處理獲得的特征做向量化處理（embedding）并送入雙向 LSTM（Bi-LSTM，BLSTM）模型提取文本特征；其次，通過對 BLSTM的輸出做基于實體對位置的相對最大池化（relative max pooling）操作降維獲得句子類型特征，從embedding層輸出和BLSTM層輸出