| 摘要 | 第5-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 本文主要研究内容 | 第15-16页 |
| 1.3 本文结构安排 | 第16页 |
| 1.4 本章小结 | 第16-18页 |
| 第二章 深度学习与自然语言处理相关理论 | 第18-34页 |
| 2.1 神经网络模型及其参数训练方法 | 第18-23页 |
| 2.1.1 神经元与神经网络模型 | 第18-20页 |
| 2.1.2 反向传播算法(BP算法) | 第20-21页 |
| 2.1.3 RNN循环神经网络 | 第21-23页 |
| 2.2 相关神经网络语言模型与词向量生成 | 第23-32页 |
| 2.2.1 语言模型简述 | 第23-24页 |
| 2.2.2 神经网络语言模型(NNLM) | 第24-26页 |
| 2.2.3 循环神经网络语言模型( RNNLM) | 第26-27页 |
| 2.2.4 LSTM与BILSTM神经网络 | 第27-29页 |
| 2.2.5 CBOW和skip-gram模型 | 第29-30页 |
| 2.2.6 基于注意力机制的深度学习模型 | 第30-32页 |
| 2.3 本章小结 | 第32-34页 |
| 第三章 基于BILSTM-CRF的中文分词 | 第34-44页 |
| 3.1 条件随机场知识融入 | 第34-35页 |
| 3.2 Attention-BILSTM-CRF中文分词模型 | 第35-40页 |
| 3.2.1 BILSTM-CRF序列标注模型 | 第35-36页 |
| 3.2.2 整体架构 | 第36-37页 |
| 3.2.3 注意力机制 | 第37-38页 |
| 3.2.4 输入去噪和贡献因子 | 第38-40页 |
| 3.3 实验与分析 | 第40-42页 |
| 3.3.1 实验设置 | 第40页 |
| 3.3.2 贡献因子与去造机制测试 | 第40-41页 |
| 3.3.3 实验对比与分析 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 关键词抽取模型 | 第44-53页 |
| 4.1 基于字词组合的词向量预训练 | 第44-46页 |
| 4.2 补充词典标注方法 | 第46页 |
| 4.3 基于BILSTM-CRF关键词抽取模型 | 第46-47页 |
| 4.4 实验与分析 | 第47-51页 |
| 4.4.1 实验设置 | 第47-48页 |
| 4.4.2 字词组合的预训练效果验证 | 第48-49页 |
| 4.4.3 关键词抽取对比实验 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 本文研究工作总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 作者攻读硕士学位期间发表的学术论文 | 第60页 |