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。

第1篇 引言
第1章 对话信息中的命名实体识别
1.1 命名实体识别概述
1.2 相关研究方法概述
1.2.1 词嵌入表示方法
1.2.2 上下文编码架构
1.2.3 标签解码网络
1.3 本章小结
第2章 垂直领域的实体关系分析
2.1 抽取垂直领域的实体关系
2.1.1 基于有监督方法的关系抽取
2.1.2 基于远程监督方法的关系抽取
2.1.3 基于小样本学习方法的关系抽取
2.1.4 实体和关系联合抽取
2.2 相关研究方法综述
2.2.1 卷积神经网络
2.2.2 注意力机制
2.2.3 图神经网络
2.2.4 对抗训练
2.3 本章小结
第3章 开放领域的实体关系分析
3.1 开放领域的实体关系抽取
3.2 相关研究方法综述
3.2.1 自监督学习
3.2.2 开放世界分类
3.2.3 无监督聚类
3.2.4 深度度量学习
3.2.5 持续学习
3.2.6 对比学习
3.3 本章小结
本篇小结
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
4.1 概述
4.2 基于GloVe的词嵌入
4.3 基于双向LSTM的字符级向量表示
4.3.1 LSTM神经网络
4.3.2 双向LSTM神经网络
4.3.3 字符级向量表示模型
4.4 基于Attention机制的词向量与字符向量连接
4.5 预训练的额外词表示
4.5.1 双向语言模型
4.5.2 ELMo
4.6 上下文词状态表示
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
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
4.9 标签预测
4.10 实验与分析
4.10.1 数据集
……
第3篇 垂直领域的实体关系分析
第4篇 开放领域的实体关系分析
参考文献
附录A 英文缩写对照表
附录B 图片索引
附录C 表格索引
结束语