基于深度学习的生物医学事件抽取研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 深度学习在自然语言处理中的研究现状 | 第10-11页 |
| 1.2.2 生物医学事件抽取研究现状 | 第11-12页 |
| 1.3 本文工作 | 第12-13页 |
| 1.4 本文结构 | 第13-14页 |
| 2 相关背景知识与技术 | 第14-24页 |
| 2.1 生物医学事件表示与抽取流程 | 第14-15页 |
| 2.1.1 生物医学事件表示 | 第14页 |
| 2.1.2 生物医学事件抽取流程 | 第14-15页 |
| 2.2 依存句法分析技术与工具 | 第15-16页 |
| 2.3 文本分布式表示技术 | 第16-18页 |
| 2.3.1 主题模型 | 第17页 |
| 2.3.2 单词的分布式表示 | 第17-18页 |
| 2.4 深度学习技术 | 第18-21页 |
| 2.4.1 前馈神经网络模型 | 第18-19页 |
| 2.4.2 卷积神经网络模型 | 第19-21页 |
| 2.5 数据与结果评价方法 | 第21-24页 |
| 2.5.1 实验数据 | 第21-22页 |
| 2.5.2 结果评价方法 | 第22-24页 |
| 3 生物医学事件触发词识别 | 第24-36页 |
| 3.1 引言 | 第24-25页 |
| 3.2 数据预处理 | 第25-27页 |
| 3.3 候选触发词词典构建 | 第27页 |
| 3.4 基于依存句法分析树的词向量构建 | 第27-28页 |
| 3.5 基于句法词向量与深度学习的触发词识别方法 | 第28-32页 |
| 3.5.1 分布式语义表示构建 | 第29-31页 |
| 3.5.2 深度学习模型训练与参数调优 | 第31-32页 |
| 3.6 实验结果分析与讨论 | 第32-35页 |
| 3.6.1 实验总体结果比较 | 第32-33页 |
| 3.6.2 句法词向量的作用分析 | 第33-34页 |
| 3.6.3 不同特征作用分析 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 4 生物医学事件元素检测与事件生成 | 第36-47页 |
| 4.1 引言 | 第36-37页 |
| 4.2 事件候选元素对构建 | 第37-38页 |
| 4.3 基于卷积神经网络的事件元素检测 | 第38-42页 |
| 4.3.1 分布式语义表示构建 | 第39-41页 |
| 4.3.2 卷积神经网络模型训练与参数调优 | 第41-42页 |
| 4.4 事件规则后处理与事件生成 | 第42-43页 |
| 4.5 实验结果分析与讨论 | 第43-46页 |
| 4.5.1 实验总体结果比较 | 第43-44页 |
| 4.5.2 不同特征作用分析 | 第44-45页 |
| 4.5.3 方法泛化性能分析 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 结论 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 攻读硕士学位期间发表学术论文情况 | 第53-54页 |
| 致谢 | 第54-55页 |
