| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 相关工作研究现状 | 第11-17页 |
| 1.2.1 命名实体识别 | 第11-13页 |
| 1.2.2 深度学习 | 第13-15页 |
| 1.2.3 长短期记忆单元(LSTM) | 第15-16页 |
| 1.2.4 医疗领域文本的命名实体识别 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-19页 |
| 第2章 融合维基百科先验知识的命名实体识别 | 第19-30页 |
| 2.1 引言 | 第19-20页 |
| 2.2 维基百科数据处理 | 第20-22页 |
| 2.2.1 维基百科词条提取及统计信息 | 第20-21页 |
| 2.2.2 维基百科词表过滤 | 第21-22页 |
| 2.3 条件随机场模型的先验知识融入 | 第22-25页 |
| 2.3.1 条件随机场模型 | 第22-24页 |
| 2.3.2 使用条件随机场进行命名实体识别 | 第24-25页 |
| 2.3.3 维基先验知识融入 | 第25页 |
| 2.4 实验与结果分析 | 第25-29页 |
| 2.4.1 实验设置 | 第25-27页 |
| 2.4.2 分类标注实验 | 第27页 |
| 2.4.3 统一标注实验 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于LSTM的命名实体识别 | 第30-55页 |
| 3.1 RNN与LSTM模型 | 第30-40页 |
| 3.1.1 前馈神经网络（FNN） | 第30-33页 |
| 3.1.2 循环神经网络（RNN） | 第33-34页 |
| 3.1.3 循环神经网络语言模型（RNNLM）与词向量生成 | 第34-37页 |
| 3.1.4 长短期记忆单元（LSTM） | 第37-39页 |
| 3.1.5 双向LSTM（BLSTM） | 第39-40页 |
| 3.2 基于LSTM的NER模型构建 | 第40-47页 |
| 3.2.1 整体架构 | 第40-42页 |
| 3.2.2 预训练 | 第42-43页 |
| 3.2.3 窗口连接 | 第43-44页 |
| 3.2.4 Dropout加入 | 第44-45页 |
| 3.2.5 引入转移代价的代价计算 | 第45-47页 |
| 3.3 基于LSTM的NER工具包实现 | 第47-50页 |
| 3.3.1 Theano简介 | 第47-48页 |
| 3.3.2 Mini-batch批量训练 | 第48-49页 |
| 3.3.3 实现参数介绍 | 第49-50页 |
| 3.4 基于LSTM的NER实验 | 第50-53页 |
| 3.4.1 实验设置 | 第50页 |
| 3.4.2 单向LSTM实验 | 第50-51页 |
| 3.4.3 隐含层大小调整实验 | 第51-52页 |
| 3.4.4 双向LSTM实验 | 第52-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第4章 面向医疗领域的命名实体识别 | 第55-64页 |
| 4.1 医疗领域的命名实体识别 | 第55-56页 |
| 4.1.1 医疗领域命名实体识别的困难 | 第55-56页 |
| 4.1.2 本章实验使用的医疗领域语料介绍 | 第56页 |
| 4.2 CRF实验 | 第56-59页 |
| 4.2.1 使用字典介绍和统计信息 | 第56-57页 |
| 4.2.2 电子病历语料词表融入实验 | 第57-58页 |
| 4.2.3 在线问答语料词表融入实验 | 第58-59页 |
| 4.3 LSTM实验 | 第59-62页 |
| 4.3.1 基于LSTM的电子病历语料实验 | 第59-61页 |
| 4.3.2 在线问答语料实验 | 第61-62页 |
| 4.4 本章小结 | 第62-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间发表的学术论文及其他成果 | 第70-72页 |
| 致谢 | 第72页 |