| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.3.1 古文语料的获取和预处理 | 第14页 |
| 1.3.2 基于古文的新词发现算法的研究 | 第14页 |
| 1.3.3 古文语料上命名实体识别的研究 | 第14-15页 |
| 1.3.4 基于图排序的集成实体链接算法的研究 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关概念与相关工作 | 第17-24页 |
| 2.1 新词发现相关概念及相关工作 | 第17-19页 |
| 2.1.1 问题描述 | 第17页 |
| 2.1.2 新词发现算法 | 第17-19页 |
| 2.1.3 新词发现评价指标 | 第19页 |
| 2.2 命名实体识别相关概念及相关工作 | 第19-20页 |
| 2.2.1 命名实体识别算法 | 第19-20页 |
| 2.3 命名实体消歧相关概念及相关工作 | 第20-23页 |
| 2.3.1 实体链接相关概念 | 第20-21页 |
| 2.3.2 实体链接算法 | 第21-22页 |
| 2.3.3 实体链接评价指标 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于古文的新词发现算法 | 第24-35页 |
| 3.1 AP-LSTM模型概述 | 第24-25页 |
| 3.2 一种基于古文的新词发现算法 | 第25-30页 |
| 3.2.1 改进的类-Apriori算法 | 第25-27页 |
| 3.2.2 基于LSTM的切分概率模型 | 第27-29页 |
| 3.2.3 新词发现 | 第29-30页 |
| 3.3 实验验证 | 第30-34页 |
| 3.3.1 数据集 | 第30页 |
| 3.3.2 类-Apriori算法生成候选新词的效果 | 第30-31页 |
| 3.3.3 LSTM概率切分模型试验效果 | 第31页 |
| 3.3.4 新词发现效果 | 第31-32页 |
| 3.3.5 成词置信度分析 | 第32-33页 |
| 3.3.6 AP-LSTM算法和其它算法的对比实验 | 第33页 |
| 3.3.7 新词发现对中文分词任务的提升 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于古文的命名实体识别模型 | 第35-41页 |
| 4.1 命名实体识别方法在古文语料上的尝试 | 第35页 |
| 4.2 基于古文的LSTM-CRF模型 | 第35-38页 |
| 4.2.1 LSTM | 第35-36页 |
| 4.2.2 条件随机场模型 | 第36-37页 |
| 4.2.3 LSTM-CRF模型 | 第37-38页 |
| 4.2.4 LSTM-CRF模型的参数和训练 | 第38页 |
| 4.3 效果实验 | 第38-40页 |
| 4.3.1 数据集 | 第38页 |
| 4.3.2 LSTM-CRF模型效果 | 第38-39页 |
| 4.3.3 LSTM-CRF模型与CRF模型的对比效果 | 第39-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第五章 基于图排序的集成中文实体链接算法 | 第41-56页 |
| 5.1 当前中文实体链接方法的局限性 | 第41页 |
| 5.2 GRCCEL算法 | 第41-50页 |
| 5.2.1 候选实体生成 | 第42-43页 |
| 5.2.2 实体关系图构造 | 第43-48页 |
| 5.2.3 集成实体链接 | 第48-50页 |
| 5.3 数据集及基线 | 第50-52页 |
| 5.3.1 数据集 | 第50-51页 |
| 5.3.2 基线方法 | 第51-52页 |
| 5.4 实验验证 | 第52-55页 |
| 5.4.1 基于TF-IDF的词向量相似度计算方法的性能 | 第52页 |
| 5.4.2 改进的PageRank算法的性能 | 第52-53页 |
| 5.4.3 增量证据挖掘方法的性能 | 第53页 |
| 5.4.4 三个公开数据集上的实验效果 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 结论与展望 | 第56-58页 |
| 6.1 本文总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表的论文 | 第63页 |
