| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-11页 |
| 1.1 研究背景 | 第6-7页 |
| 1.2 研究现状 | 第7-8页 |
| 1.3 研究意义 | 第8-10页 |
| 1.4 主要工作 | 第10-11页 |
| 2 理论基础 | 第11-21页 |
| 2.1 金融领域术语 | 第11-13页 |
| 2.1.1 金融领域术语的概念 | 第11-12页 |
| 2.1.2 金融领域术语的识别难点 | 第12-13页 |
| 2.2 条件随机场 | 第13-15页 |
| 2.2.1 线性CRF | 第13-14页 |
| 2.2.2 特征函数与参数估计 | 第14页 |
| 2.2.3 参数估计 | 第14-15页 |
| 2.3 词向量 | 第15-18页 |
| 2.3.1 one-hot表示 | 第15页 |
| 2.3.2 分布式表示 | 第15-16页 |
| 2.3.3 word2vec | 第16-18页 |
| 2.4 人工神经网络 | 第18-21页 |
| 2.4.1 神经概率语言模型 | 第18-19页 |
| 2.4.2 循环神经网络 | 第19-21页 |
| 3 术语识别模型 | 第21-38页 |
| 3.1 术语识别模型的总体框架 | 第21页 |
| 3.2 基于条件随机场的术语识别模型 | 第21-27页 |
| 3.2.1 特征选取 | 第21-23页 |
| 3.2.2 特征模板 | 第23-24页 |
| 3.2.3 实验与分析 | 第24-27页 |
| 3.3 基于长短期记忆网络的金融领域术语识别方法 | 第27-36页 |
| 3.3.1 标准LSTM及其变体 | 第28-33页 |
| 3.3.2 基于左右候选记忆单元的GRU神经网络 | 第33-34页 |
| 3.3.3 实验与分析 | 第34-36页 |
| 3.4 两类模型的对比与分析 | 第36-38页 |
| 4 金融领域术语识别算法及实验 | 第38-47页 |
| 4.1 信息熵筛选算法 | 第38-40页 |
| 4.1.1 术语标注错误类型 | 第38页 |
| 4.1.2 基于token标记信息熵的候选术语筛选方法 | 第38-40页 |
| 4.2 术语可信度过滤算法 | 第40-42页 |
| 4.2.1 术语可信度的定义 | 第40-41页 |
| 4.2.2 利用术语可信度过滤候选术语 | 第41-42页 |
| 4.3 实验与分析 | 第42-47页 |
| 4.3.1 阈值调整实验 | 第42-43页 |
| 4.3.2 术语可信度条件的有效性 | 第43页 |
| 4.3.3 词向量对术语可信度的影响 | 第43-44页 |
| 4.3.4 基于信息熵的术语可信度模型的稳定性 | 第44-45页 |
| 4.3.5 与其他方法的比较 | 第45页 |
| 4.3.6 实验结果与方法分析 | 第45-47页 |
| 结论 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士学位期间发表学术论文情况 | 第51-52页 |
| 致谢 | 第52-54页 |