| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状和相关工作 | 第11-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 任务定义及评价标准 | 第17-22页 |
| 2.1 语料资源 | 第17页 |
| 2.2 任务定义 | 第17-20页 |
| 2.3 评价标准 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 利用深层语义特征的的事件抽取 | 第22-33页 |
| 3.1 基于最大熵模型的事件抽取系统 | 第22-26页 |
| 3.1.1 最大熵模型 | 第22-24页 |
| 3.1.2 触发词分类模型 | 第24-26页 |
| 3.2 基于条件随机场的事件抽取系统 | 第26-28页 |
| 3.2.1 条件随机场模型 | 第26-27页 |
| 3.2.2 触发词分类模型 | 第27-28页 |
| 3.3 融合深层语义特征的事件抽取 | 第28-30页 |
| 3.3.1 词向量简述 | 第28页 |
| 3.3.2 词向量获取 | 第28-29页 |
| 3.3.3 融合词向量特征 | 第29-30页 |
| 3.4 实验性能和结果 | 第30-31页 |
| 3.4.1 实验设置 | 第30-31页 |
| 3.4.2 实验结果分析 | 第31页 |
| 3.5 本章小结 | 第31-33页 |
| 第四章 基于神经网络的事件抽取 | 第33-51页 |
| 4.1 研究动机 | 第33-34页 |
| 4.2 神经网络模型 | 第34-41页 |
| 4.2.1 神经网络模型定义 | 第35-36页 |
| 4.2.2 神经网络训练 | 第36-37页 |
| 4.2.3 多层感知机 | 第37-38页 |
| 4.2.4 卷积神经网络 | 第38-39页 |
| 4.2.5 循环神经网络 | 第39-41页 |
| 4.3 利用神经网络模型构建事件抽取系统 | 第41-46页 |
| 4.3.1 基于多层感知机的事件抽取系统 | 第41-42页 |
| 4.3.2 基于卷积神经网络的事件抽取系统 | 第42-43页 |
| 4.3.3 基于循环神经网络的事件抽取系统 | 第43-44页 |
| 4.3.4 联合卷积神经网络和双向循环神经网络的事件抽取系统 | 第44-46页 |
| 4.4 实验 | 第46-50页 |
| 4.4.1 实验数据 | 第46页 |
| 4.4.2 实验系统设置 | 第46-48页 |
| 4.4.3 实验分析 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 融合上下文依赖和句子语义的事件抽取 | 第51-63页 |
| 5.1 研究动机 | 第51-52页 |
| 5.2 融合上下文依赖和句子语义的事件抽取方法 | 第52-58页 |
| 5.2.1 LSTM模型 | 第53-55页 |
| 5.2.2 双向LSTM模型 | 第55-56页 |
| 5.2.3 学习句子表示 | 第56-57页 |
| 5.2.4 模型输出 | 第57页 |
| 5.2.5 模型训练 | 第57-58页 |
| 5.3 实验 | 第58-61页 |
| 5.3.1 实验数据和评价方法 | 第58页 |
| 5.3.2 参数设置 | 第58页 |
| 5.3.3 对比系统 | 第58-59页 |
| 5.3.4 实验结果 | 第59-61页 |
| 5.4 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 工作展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 攻读学位期间公开发表的论文 | 第71-72页 |
| 攻读学位期间参与的科研项目 | 第72-73页 |
| 致谢 | 第73-74页 |