面向军事领域的句子级文本处理技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景与意义 | 第11-14页 |
| 1.1.1 研究背景 | 第11-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.2.1 自动分词研究现状 | 第16-18页 |
| 1.2.2 词性标注研究现状 | 第18页 |
| 1.2.3 依存句法分析研究现状 | 第18-20页 |
| 1.2.4 研究现状概括 | 第20页 |
| 1.3 本文研究内容 | 第20-21页 |
| 1.4 本文组织结构 | 第21-23页 |
| 第二章 统计模型与领域词典结合的分词方案 | 第23-35页 |
| 2.1 军事文本分词特征分析 | 第23-25页 |
| 2.2 领域分词方案设计 | 第25-30页 |
| 2.2.1 CRF序列标注模型 | 第26-27页 |
| 2.2.2 基于CRF的粗切分模型 | 第27-29页 |
| 2.2.3 领域词典构建方法 | 第29-30页 |
| 2.3 实验及分析 | 第30-33页 |
| 2.3.1 实验语料 | 第30-32页 |
| 2.3.2 实验结果及分析 | 第32-33页 |
| 2.4 本章小结 | 第33-35页 |
| 第三章 基于注意力LSTM的词性标注模型 | 第35-47页 |
| 3.1 长短时记忆网络和注意力机制 | 第35-38页 |
| 3.2 词性标注模型设计 | 第38-42页 |
| 3.2.1 词性标注模型 | 第38-41页 |
| 3.2.2 模型训练 | 第41页 |
| 3.2.3 标签序列解码 | 第41-42页 |
| 3.3 实验及分析 | 第42-46页 |
| 3.3.1 实验设置 | 第42-44页 |
| 3.3.2 实验结果 | 第44-45页 |
| 3.3.3 与前人工作的对比 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 结合全局向量特征的依存句法分析模型 | 第47-63页 |
| 4.1 卷积神经网络和基于图的依存句法分析 | 第47-49页 |
| 4.2 依存句法分析模型设计 | 第49-55页 |
| 4.2.1 特征提取层 | 第50-53页 |
| 4.2.2 前馈网络层 | 第53-54页 |
| 4.2.3 基于max-margin的训练算法 | 第54-55页 |
| 4.3 实验及分析 | 第55-61页 |
| 4.3.1 实验设置 | 第55-58页 |
| 4.3.2 实验结果及分析 | 第58-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 工作总结 | 第63页 |
| 5.2 研究展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 作者简历 | 第71页 |
