| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容及意义 | 第12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 第二章 神经网络语言模型 | 第14-24页 |
| 2.1 语言模型介绍 | 第14-15页 |
| 2.2 神经网络及深度学习介绍 | 第15-16页 |
| 2.3 神经网络语言模型介绍 | 第16-18页 |
| 2.4 循环神经网络介绍 | 第18-21页 |
| 2.5 卷积神经网络介绍 | 第21-22页 |
| 2.6 本章总结 | 第22-24页 |
| 第三章 基于bigram的词分布表示研究 | 第24-38页 |
| 3.1 词分布表示研究的意义及相关工作 | 第24-25页 |
| 3.2 word2vec模型 | 第25-27页 |
| 3.2.1 Cbow模型 | 第25-26页 |
| 3.2.2 Skip-gram模型 | 第26-27页 |
| 3.3 bigram语言模型 | 第27-29页 |
| 3.3.1 文本条件独立假设 | 第27页 |
| 3.3.2 P-bigram | 第27-28页 |
| 3.3.3 Ap-bigram | 第28-29页 |
| 3.3.4 不同语言模型之间的对比 | 第29页 |
| 3.4 基于PEM的词分布表示优化 | 第29-32页 |
| 3.4.1 基于KL散度因子的词分布表示 | 第29-30页 |
| 3.4.2 基于KL散度向量的词分布表示 | 第30-31页 |
| 3.4.3 p-bigram与其它词分布表示方法的关系 | 第31-32页 |
| 3.5 实验结果及分析 | 第32-36页 |
| 3.5.1 数据集和评估指标 | 第32-33页 |
| 3.5.2 动态文本窗口分析 | 第33-34页 |
| 3.5.3 词向量最终效果对比 | 第34-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第四章 基于弱监督和半自动的中文关系抽取数据集构建 | 第38-46页 |
| 4.1 相关任务总结 | 第38页 |
| 4.2 弱监督和半自动的关系抽取框架 | 第38-39页 |
| 4.3 弱监督抽取过程 | 第39-42页 |
| 4.3.1 关系定义 | 第39-40页 |
| 4.3.2 实体对获取 | 第40-42页 |
| 4.3.3 包含实体对的句子获取 | 第42页 |
| 4.4 基于RNN的半自动关系标注过程 | 第42-44页 |
| 4.4.1 RNN框架介绍 | 第42-43页 |
| 4.4.2 半监督的标注过程 | 第43-44页 |
| 4.5 中文关系抽取数据集介绍 | 第44-45页 |
| 4.6 本章总结 | 第45-46页 |
| 第五章 基于依存路径的关系抽取研究 | 第46-52页 |
| 5.1 关系抽取任务及抽取方法 | 第46-47页 |
| 5.2 句法依存树介绍 | 第47页 |
| 5.3 基于最短依存路径的关系抽取方法 | 第47-50页 |
| 5.4 实验结果及分析 | 第50-52页 |
| 5.4.1 实验数据 | 第50页 |
| 5.4.2 基于最短依存路径的关系抽取效果分析 | 第50-52页 |
| 第六章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间发表的学术论文 | 第57页 |