| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 课题研究现状 | 第11-12页 |
| 1.3 课题研究内容 | 第12-13页 |
| 1.4 文章组织结构 | 第13-14页 |
| 第二章 相关理论及方法 | 第14-24页 |
| 2.1 深度学习在自然语言处理上的应用 | 第14-20页 |
| 2.1.1 词嵌入技术 | 第15-18页 |
| 2.1.2 各种深度学习模型的使用 | 第18-20页 |
| 2.2 文本记录分割与命名属性值识别概念以及现有的方法 | 第20-23页 |
| 2.2.1 基于图的概率模型 | 第21-22页 |
| 2.2.2 基于知识库实现无监督的抽取模型 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 CNN-TesaRec算法 | 第24-45页 |
| 3.1 算法概述 | 第24-26页 |
| 3.2 CNN-TesaRec算法 | 第26-37页 |
| 3.2.1 基于知识库的初始分割和标注 | 第26-28页 |
| 3.2.2 基于CNN的分类模型的构建和文本段的标注 | 第28-31页 |
| 3.2.3 输入文本的贪婪式概率标注 | 第31-35页 |
| 3.2.4 基于位置与序列的结果修正 | 第35-37页 |
| 3.3 实验结果与分析 | 第37-42页 |
| 3.3.1 数据集和评价标准 | 第37-39页 |
| 3.3.2 参数的设定 | 第39-40页 |
| 3.3.3 与其他方法的比较 | 第40-42页 |
| 3.3.4 BPSM效果的验证 | 第42页 |
| 3.4 本章小结 | 第42-45页 |
| 第四章 系统工具的实现与展示 | 第45-55页 |
| 4.1 CNN分类模型设计 | 第45-48页 |
| 4.2 系统的架构及展示 | 第48-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-59页 |
| 5.1 全文总结 | 第55-56页 |
| 5.2 工作展望 | 第56-59页 |
| 参考文献 | 第59-66页 |
| 攻读硕士学位期间发表的论文 | 第66-67页 |
| 致谢 | 第67-68页 |