| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-13页 |
| 1.3 研究现状 | 第13-15页 |
| 1.3.1 基于规则和统计的命名实体识别方法 | 第13-14页 |
| 1.3.2 基于深度学习的命名实体识别方法 | 第14-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 组织结构 | 第16-18页 |
| 第2章 相关知识介绍 | 第18-27页 |
| 2.1 条件随机场模型 | 第18-20页 |
| 2.2 神经概率语言模型 | 第20-23页 |
| 2.3 长短期记忆神经网络 | 第23-24页 |
| 2.4 语料资源 | 第24-25页 |
| 2.5 性能评测指标 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于自然标注的法律文书人名实体识别 | 第27-35页 |
| 3.1 引言 | 第27-28页 |
| 3.2 数据收集与标注 | 第28-29页 |
| 3.2.1 人工标注语料 | 第28页 |
| 3.2.2 自然标注语料 | 第28-29页 |
| 3.3 实验方法 | 第29-32页 |
| 3.3.1 基于LSTM的人名实体识别方法 | 第29-30页 |
| 3.3.2 基于Aux-LSTM的法律文书人名实体识别方法 | 第30-32页 |
| 3.4 实验设计与分析 | 第32-34页 |
| 3.4.1 实验设置 | 第32-33页 |
| 3.4.2 实验结果与分析 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于整数线性规划的法律文书命名实体识别 | 第35-47页 |
| 4.1 引言 | 第35-36页 |
| 4.2 实验方法 | 第36-41页 |
| 4.2.1 基于LSTM的命名实体识别方法 | 第36-37页 |
| 4.2.2 基于整数线性规划的法律文书命名实体识别方法 | 第37-41页 |
| 4.3 实验设计与分析 | 第41-46页 |
| 4.3.1 实验设置 | 第41页 |
| 4.3.2 实验结果与分析 | 第41-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于多任务表示学习的法律文书命名实体识别 | 第47-55页 |
| 5.1 引言 | 第47-48页 |
| 5.2 实验方法 | 第48-52页 |
| 5.2.1 篇章信息表示方法 | 第48-51页 |
| 5.2.2 多任务表示学习 | 第51-52页 |
| 5.3 实验设计与分析 | 第52-54页 |
| 5.3.1 实验设置 | 第52-53页 |
| 5.3.2 实验结果与分析 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 研究工作总结 | 第55-56页 |
| 6.2 下一步工作设想 | 第56-57页 |
| 参考文献 | 第57-64页 |
| 攻读学位期间公开发表的论文 | 第64页 |
| 攻读学位期间已授权的软件著作权 | 第64-65页 |
| 攻读学位期间申请的专利 | 第65页 |
| 攻读学位期间参与的科研项目 | 第65-66页 |
| 致谢 | 第66-68页 |