基于深度学习的中文命名实体识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 研究概况 | 第10-12页 |
| 1.2.1 国外命名实体识别研究现状 | 第11页 |
| 1.2.2 中文命名实体识别难点 | 第11-12页 |
| 1.2.3 国内命名实体识别研究现状 | 第12页 |
| 1.3 深度学习应用简介 | 第12-14页 |
| 1.3.1 深度学习相关领域进展概述 | 第13页 |
| 1.3.2 深度学习在NLP领域的应用 | 第13-14页 |
| 1.4 研究内容与文章结构 | 第14-17页 |
| 第2章 命名实体识别方法综述 | 第17-27页 |
| 2.1 常用识别方法介绍 | 第17-22页 |
| 2.1.1 隐马尔可夫模型 | 第18-20页 |
| 2.1.2 条件随机场 | 第20-22页 |
| 2.2 瓶颈与困难分析 | 第22-25页 |
| 2.2.1 统计模型的缺陷分析 | 第22-23页 |
| 2.2.2 实际应用中的瓶颈讨论 | 第23-24页 |
| 2.2.3 改进方法和思路 | 第24-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第3章 基于深层神经网络的命名实体识别研究 | 第27-41页 |
| 3.1 人工神经网络 | 第27-32页 |
| 3.1.1 神经网络理论基础 | 第27-30页 |
| 3.1.2 反向传播算法描述 | 第30-32页 |
| 3.2 DNN模型架构设计 | 第32-35页 |
| 3.2.1 堆叠式自编码神经网络结构 | 第32-34页 |
| 3.2.2 输入输出的映射方法 | 第34-35页 |
| 3.3 模型计算方法介绍 | 第35-37页 |
| 3.3.1 前向传播过程 | 第35-36页 |
| 3.3.2 逐层训练与微调 | 第36-37页 |
| 3.4 模型调参与技巧 | 第37-40页 |
| 3.4.1 激活函数的选择与初始化方法 | 第37-38页 |
| 3.4.2 神经元节点的稀疏性限制 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 实验与结果分析 | 第41-47页 |
| 4.1 实验语料与标注集介绍 | 第41页 |
| 4.2 测试方法与评测指标 | 第41-42页 |
| 4.3 不同参数下测试结果分析 | 第42-44页 |
| 4.4 不同模型的性能对比 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于深层神经网络的中文NER系统实现 | 第47-57页 |
| 5.1 系统整体框架 | 第47-48页 |
| 5.2 标注流程 | 第48-51页 |
| 5.2.1 有监督学习过程 | 第49-50页 |
| 5.2.2 实体识别过程 | 第50-51页 |
| 5.3 增量学习方法 | 第51-53页 |
| 5.4 系统性能优化 | 第53-55页 |
| 5.4.1 非线性函数的近似计算 | 第53-54页 |
| 5.4.2 变速随机梯度下降方法 | 第54-55页 |
| 5.5 系统整体评价 | 第55-56页 |
| 5.6 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间所发表的学术论文 | 第63-65页 |
| 致谢 | 第65页 |
