| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究的目的及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的主要研究内容 | 第11-12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 第二章 事件抽取任务 | 第14-17页 |
| 2.1 事件介绍 | 第14页 |
| 2.2 事件抽取任务 | 第14-16页 |
| 2.2.1 事件类别识别 | 第14-15页 |
| 2.2.2 事件元素识别 | 第15-16页 |
| 2.3 本章总结 | 第16-17页 |
| 第三章 基于跳窗卷积神经网络的全局结构化特征提取 | 第17-25页 |
| 3.1 引言 | 第17页 |
| 3.2 基于卷积神经网络的文本分类 | 第17-19页 |
| 3.3 跳窗卷积神经网络 | 第19-23页 |
| 3.3.1 事件元素识别 | 第20-21页 |
| 3.3.2 网络拓扑结构 | 第21-23页 |
| 3.4 本章总结 | 第23-25页 |
| 第四章 基于RNNs的结构化学习模型 | 第25-37页 |
| 4.1 引言 | 第25-26页 |
| 4.2 结构化学习与结构感知器模型 | 第26-28页 |
| 4.2.1 结构化学习 | 第26页 |
| 4.2.2 结构感知器模型 | 第26-28页 |
| 4.3 Joint事件抽取模型(联结型的事件抽取模型) | 第28-31页 |
| 4.4 基于RNNs的结构化学习模型 | 第31-34页 |
| 4.4.1 RNNs(循环神经网络)简介 | 第32页 |
| 4.4.2 基于RNNs的结构化学习模型 | 第32-34页 |
| 4.5 本章总结 | 第34-37页 |
| 第五章 基于跳窗卷积神经网络的结构化事件抽取模型 | 第37-44页 |
| 5.1 引言 | 第37页 |
| 5.2 模型总体介绍 | 第37-40页 |
| 5.2.1 词向量学习 | 第39页 |
| 5.2.2 跳窗卷积神经网络 | 第39页 |
| 5.2.3 标签向量学习 | 第39-40页 |
| 5.2.4 基于RNNs的结构化学习模型 | 第40页 |
| 5.2.5 模型训练 | 第40页 |
| 5.3 实验与分析 | 第40-42页 |
| 5.3.1 数据集介绍 | 第40页 |
| 5.3.2 基线实验 | 第40-41页 |
| 5.3.3 实验结果与分析 | 第41-42页 |
| 5.4 本章总结 | 第42-44页 |
| 第六章 总结与展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 攻读学位期间发表的学术论文 | 第49页 |