| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 迁移学习 | 第11-14页 |
| 1.2.2 概念关系抽取 | 第14-15页 |
| 1.3 存在问题分析 | 第15-16页 |
| 1.4 论文主要内容和结构 | 第16-19页 |
| 第2章 基于LSTM神经网络的地理概念关系抽取 | 第19-36页 |
| 2.1 概念关系类型 | 第19-21页 |
| 2.2 概念关系语料库的构建 | 第21-26页 |
| 2.2.1 语料来源 | 第21-23页 |
| 2.2.2 语料预处理 | 第23-24页 |
| 2.2.3 语料分词 | 第24-25页 |
| 2.2.4 语料标注 | 第25-26页 |
| 2.3 基于LSTM神经网络的概念关系抽取 | 第26-33页 |
| 2.3.1 概念关系抽取网络结构 | 第26-28页 |
| 2.3.2 WordEmbedding处理层 | 第28页 |
| 2.3.3 LSTM处理层 | 第28-29页 |
| 2.3.4 特征抽取层 | 第29-30页 |
| 2.3.5 概念关系抽取评价指标 | 第30-31页 |
| 2.3.6 实验结果与分析 | 第31-33页 |
| 2.4 共享信息迁移 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于LSTM神经网络的迁移学习 | 第36-51页 |
| 3.1 领域属性 | 第36-37页 |
| 3.2 基于WordEmbedding的词向量迁移学习 | 第37-41页 |
| 3.2.1 词向量迁移 | 第37-38页 |
| 3.2.2 实验结果与分析 | 第38-41页 |
| 3.3 基于网络权重的迁移学习 | 第41-49页 |
| 3.3.1 网络权重按层迁移 | 第42-43页 |
| 3.3.2 实验结果与分析 | 第43-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第4章 基于多潜在特征空间层的地理领域迁移学习 | 第51-63页 |
| 4.1 领域适应性问题 | 第51-53页 |
| 4.2 地理领域的特征矩阵 | 第53-55页 |
| 4.3 基于多潜在特征空间层的地理领域迁移学习模型 | 第55-60页 |
| 4.4 实验结果与分析 | 第60-61页 |
| 4.4.1 实验参数设置 | 第60-61页 |
| 4.4.2 实验结果对比分析 | 第61页 |
| 4.5 本章小结 | 第61-63页 |
| 第5章 总结和展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间主要的工作 | 第70页 |