| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 本文工作与主要贡献 | 第9-10页 |
| 1.3 论文组织结构 | 第10-12页 |
| 2 研究现状 | 第12-18页 |
| 2.1 开放领域命名实体识别方法研究 | 第12-14页 |
| 2.1.1 基于词典和规则的方法 | 第12-13页 |
| 2.1.2 基于统计的方法 | 第13-14页 |
| 2.1.3 基于神经网络的方法 | 第14页 |
| 2.2 设计规范处理相关的国内外研究现状 | 第14-15页 |
| 2.3 轨道交通设计规范的命名实体类别定义 | 第15-16页 |
| 2.4 本章小结 | 第16-18页 |
| 3 基于规则和统计的命名实体识别方法 | 第18-36页 |
| 3.1 引言 | 第18页 |
| 3.2 规范预处理 | 第18-24页 |
| 3.2.1 领域内特定信息抽取 | 第19-20页 |
| 3.2.2 双向最大匹配算法 | 第20-23页 |
| 3.2.3 去除歧义词 | 第23-24页 |
| 3.3 基于规则和统计的词修正算法 | 第24-29页 |
| 3.3.1 词列组合规则 | 第24-25页 |
| 3.3.2 基于频繁项集的词修正算法 | 第25-29页 |
| 3.4 实验分析 | 第29-34页 |
| 3.4.1 实验环境和数据 | 第29-30页 |
| 3.4.2 实验评价指标 | 第30页 |
| 3.4.3 效率对比分析 | 第30-31页 |
| 3.4.4 RRS方法拆解分析 | 第31-32页 |
| 3.4.5 不同方法性能对比 | 第32-34页 |
| 3.5 实例分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 基于深度学习的命名实体识别方法 | 第36-56页 |
| 4.1 神经网络框架预备知识 | 第36-41页 |
| 4.1.1 引言 | 第36页 |
| 4.1.2 数据标注体系 | 第36-37页 |
| 4.1.3 LSTM神经网络模型 | 第37-41页 |
| 4.2 基于BiLSTM-CRF的命名实体识别方法 | 第41-44页 |
| 4.2.1 BiLSTM-CRF模型设计 | 第41-44页 |
| 4.3 基于Att-BiLSTM-CRF的命名实体识别方法 | 第44-49页 |
| 4.3.1 Attention注意力机制介绍 | 第45-48页 |
| 4.3.2 Att-BiLSTM-CRF模型设计 | 第48-49页 |
| 4.4 实验分析 | 第49-53页 |
| 4.4.1 实验环境和数据 | 第49页 |
| 4.4.2 实验评价指标 | 第49页 |
| 4.4.3 参数选择实验 | 第49-52页 |
| 4.4.4 不同方法性能对比 | 第52-53页 |
| 4.5 本章小结 | 第53-56页 |
| 5 工作总结与展望 | 第56-58页 |
| 5.1 工作总结 | 第56页 |
| 5.2 工作展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间主要研究成果 | 第66页 |