基于深度学习的中文命名实体识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状分析 | 第13-18页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.2.3 存在问题与分析 | 第16-18页 |
| 1.3 本文主要工作 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第2章 深度神经网络模型及相关工具分析 | 第20-34页 |
| 2.1 基本神经网络 | 第20-24页 |
| 2.1.1 神经元 | 第20-22页 |
| 2.1.2 感知机与多层网络 | 第22-23页 |
| 2.1.3 误差后向传播算法 | 第23-24页 |
| 2.2 深度神经网络结构 | 第24-29页 |
| 2.2.1 循环神经网络 | 第25-27页 |
| 2.2.2 卷积神经网络 | 第27-29页 |
| 2.3 相关工具 | 第29-33页 |
| 2.3.1 Word2vec词向量工具分析 | 第29-31页 |
| 2.3.2 Tensorflow框架 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于B-LSTMs的命名实体识别模型 | 第34-52页 |
| 3.1 双向长短时记忆神经网络 | 第34-35页 |
| 3.2 基于B-LSTMs的模型架构设计 | 第35-43页 |
| 3.2.1 中文数据预处理 | 第36-38页 |
| 3.2.2 词向量层 | 第38-40页 |
| 3.2.3 B-LSTMs层 | 第40-43页 |
| 3.2.4 Softmax分类器 | 第43页 |
| 3.3 模型训练与实验结果分析 | 第43-50页 |
| 3.3.1 实验环境 | 第43-44页 |
| 3.3.2 数据集 | 第44-46页 |
| 3.3.3 评测指标与测试方法 | 第46页 |
| 3.3.4 实验设计与结果分析 | 第46-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第4章 基于ID-CNN的命名实体识别模型 | 第52-67页 |
| 4.1 迭代空洞卷积神经网络 | 第52-54页 |
| 4.2 基于ID-CNN的命名实体识别模型 | 第54-59页 |
| 4.2.1 数据预处理 | 第55-56页 |
| 4.2.2 字向量表示 | 第56页 |
| 4.2.3 ID-CNN神经网络算法分析 | 第56-59页 |
| 4.2.4 CRF分类器 | 第59页 |
| 4.3 模型训练与实验结果分析 | 第59-66页 |
| 4.3.1 实验数据集 | 第59-60页 |
| 4.3.2 实验环境 | 第60页 |
| 4.3.3 实验评测指标 | 第60-61页 |
| 4.3.4 模型训练 | 第61-64页 |
| 4.3.5 实验设计与实验结果分析 | 第64-66页 |
| 4.4 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 附录A 攻读硕士学位期间所发表的学术论文 | 第74-75页 |
| 附录B 攻读硕士学位期间所参与的项目 | 第75-76页 |
| 致谢 | 第76页 |
