摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 引言 | 第10-13页 |
1.1 研究背景 | 第10页 |
1.2 中文分词研究现状 | 第10-11页 |
1.2.1 中文分词主流思路 | 第10-11页 |
1.2.2 深度学习在中文分词中的应用 | 第11页 |
1.3 论文的主要工作 | 第11-12页 |
1.4 论文的组织 | 第12-13页 |
第二章 相关理论介绍 | 第13-25页 |
2.1 CRF的思想 | 第13页 |
2.2 CRF的公式化定义 | 第13-14页 |
2.3 CRF的适用场景 | 第14-15页 |
2.4 CRF在中文分词领域的应用 | 第15页 |
2.5 CRF的局限性 | 第15-16页 |
2.6 CRF与其他模型的结合 | 第16页 |
2.7 深度学习理论概述 | 第16页 |
2.8 深度学习模型的一般方法 | 第16-25页 |
2.8.1 神经元与神经网络 | 第16-19页 |
2.8.2 神经网络与反向传播算法思想 | 第19-20页 |
2.8.3 反向传播网络原理 | 第20-21页 |
2.8.4 循环神经网络 | 第21页 |
2.8.5 循环神经网络的梯度爆炸和消失问题 | 第21-22页 |
2.8.6 长短记忆神经网络 | 第22-23页 |
2.8.7 门循环神经网络 | 第23页 |
2.8.8 双向循环神经网络 | 第23-25页 |
第三章 基于Bi-GRU神经网络及CRF的中文分词 | 第25-40页 |
3.1 中文分词领域的深度学习模型及其应用问题 | 第25-29页 |
3.1.1 序列标注问题 | 第25页 |
3.1.2 基于词位标注的中文分词方法 | 第25-26页 |
3.1.3 深度学习中常用的输入文本预处理方法 | 第26-27页 |
3.1.4 基于上下文预测当前字标注的深度学习分词模型 | 第27-28页 |
3.1.5 深度学习的seq2seq模型 | 第28页 |
3.1.6 基于序列到序列的深度学习中文分词模型 | 第28页 |
3.1.7 中文分词的上下文的长期依赖问题 | 第28-29页 |
3.2 结合Bi-LSTM的中文分词解决思路 | 第29页 |
3.3 基于Bi-LSTM的中文分词模型的缺陷 | 第29-30页 |
3.4 基于组合模型的中文分词建设思路 | 第30-31页 |
3.5 基于Bi-LSTM结合CRF的中文分词组合模型 | 第31-32页 |
3.6 基于Bi-GRU结合CRF的中文分词组合模型 | 第32-40页 |
3.6.1 Bi-GRU结合CRF的组合模型的架构 | 第33页 |
3.6.2 组合模型的输入层结构 | 第33-35页 |
3.6.3 组合模型的Bi-GRU层结构 | 第35页 |
3.6.4 组合模型的CRF层结构 | 第35页 |
3.6.5 组合模型的输出层结构 | 第35-36页 |
3.6.6 组合模型输入层的公式化表示 | 第36页 |
3.6.7 组合模型Bi-GRU层的公式化表示 | 第36-37页 |
3.6.8 组合模型的CRF层公式化表示 | 第37-38页 |
3.6.9 组合模型输出层的公式化表示 | 第38-40页 |
第四章 实验与结果分析 | 第40-48页 |
4.1 实验数据集 | 第40-41页 |
4.2 实验环境 | 第41页 |
4.3 评测标准 | 第41页 |
4.4 实验过程 | 第41-43页 |
4.4.1 语料过滤 | 第41-42页 |
4.4.2 语料标注 | 第42页 |
4.4.3 文本向量化处理 | 第42页 |
4.4.4 模型组装 | 第42-43页 |
4.4.5 模型训练 | 第43页 |
4.4.6 模型验证及数据分析 | 第43页 |
4.5 实验结果 | 第43-48页 |
4.5.1 组合模型除结构外的因素对实验结果造成的影响及相关说明 | 第44页 |
4.5.2 CRF层对分词效果的影响 | 第44-46页 |
4.5.3 GRU单元较LSTM单元对分词效率的影响 | 第46页 |
4.5.4 分析小结 | 第46-48页 |
第五章 总结与展望 | 第48-50页 |
5.1 总结 | 第48页 |
5.2 展望 | 第48-50页 |
参考文献 | 第50-51页 |
致谢 | 第51-52页 |
攻读硕士学位期间取得的研究成果 | 第52-53页 |
附录 | 第53页 |