| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 基于规则和词典的方法 | 第11-12页 |
| 1.2.2 基于统计的方法 | 第12-13页 |
| 1.2.3 基于深度学习的方法 | 第13-14页 |
| 1.2.4 基于迁移学习的方法 | 第14-15页 |
| 1.2.5 面临的挑战 | 第15-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.3.1 数据集收集与预处理 | 第16页 |
| 1.3.2 基于双向循环神经网络与条件随机场模型的研究 | 第16页 |
| 1.3.3 基于ELMo的可移植模型研究 | 第16-17页 |
| 1.4 论文组织结构 | 第17-20页 |
| 第二章 相关技术 | 第20-32页 |
| 2.1 基于循环神经网络方法的基本技术 | 第20-27页 |
| 2.1.1 神经单元结构 | 第20-21页 |
| 2.1.2 循环神经网络的发展 | 第21-24页 |
| 2.1.3 深层网络搭建 | 第24-25页 |
| 2.1.4 目标函数 | 第25-26页 |
| 2.1.5 注意力机制 | 第26页 |
| 2.1.6 Adam优化算法 | 第26-27页 |
| 2.2 基于迁移学习方法的基本技术 | 第27-30页 |
| 2.2.1 基本思想 | 第27-28页 |
| 2.2.2 语言模型 | 第28-29页 |
| 2.2.3 词向量技术 | 第29页 |
| 2.2.4 混淆矩阵 | 第29-30页 |
| 2.3 本章小结 | 第30-32页 |
| 第三章 命名实体识别任务与数据集 | 第32-40页 |
| 3.1 命名实体识别任务 | 第32-35页 |
| 3.1.1 定义 | 第32页 |
| 3.1.2 任务过程 | 第32-34页 |
| 3.1.3 判别标准 | 第34-35页 |
| 3.2 数据集收集与处理 | 第35-38页 |
| 3.2.1 数据处理 | 第35-37页 |
| 3.2.2 分批管理 | 第37-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 基于改进的神经网络与注意力机制结合的研究 | 第40-52页 |
| 4.1 RNN-CRF框架 | 第40-43页 |
| 4.1.1 框架结构 | 第41-42页 |
| 4.1.2 模型原理 | 第42-43页 |
| 4.2 改进与设计 | 第43-46页 |
| 4.2.1 改进的思想与结构设计 | 第43-45页 |
| 4.2.2 改进的模型设计 | 第45-46页 |
| 4.3 实验与分析 | 第46-50页 |
| 4.3.1 实验配置与参数 | 第47-48页 |
| 4.3.2 实验结果与分析 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 基于ELMo的可移植模型研究 | 第52-62页 |
| 5.1 改进的ELMo模型设计 | 第52-55页 |
| 5.1.1 模型原理 | 第53-54页 |
| 5.1.2 改进与设计 | 第54-55页 |
| 5.2 基于ELMo的嵌入模型设计 | 第55-57页 |
| 5.2.1 连接结构 | 第55-56页 |
| 5.2.2 模型设计 | 第56-57页 |
| 5.3 实验 | 第57-60页 |
| 5.3.1 实验配置与参数 | 第57-59页 |
| 5.3.2 实现结果与分析 | 第59-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 不足与发展趋势 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间研究成果 | 第70页 |