基于组合深度学习模型的生物医学事件抽取机制
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 事件抽取的主要方法 | 第9-11页 |
| 1.2.2 生物医学领域的事件抽取 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第2章 生物医学事件抽取相关技术 | 第14-22页 |
| 2.1 生物医学事件抽取定义 | 第14-15页 |
| 2.2 生物医学事件抽取的流程 | 第15页 |
| 2.3 相关机器学习方法 | 第15-20页 |
| 2.3.1 循环神经网络 | 第15-19页 |
| 2.3.2 卷积神经网络 | 第19-20页 |
| 2.4 评价指标和语料 | 第20-21页 |
| 2.4.1 实验语料 | 第20-21页 |
| 2.4.2 评价指标 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 事件触发词抽取 | 第22-34页 |
| 3.1 实验语料预处理 | 第22-25页 |
| 3.1.1 语料格式整理 | 第23页 |
| 3.1.2 蛋白质处理 | 第23-24页 |
| 3.1.3 构建触发词典 | 第24-25页 |
| 3.2 使用循环神经网络提取深层特征 | 第25-28页 |
| 3.2.1 生成输入向量 | 第25-26页 |
| 3.2.2 循环神经网络模型 | 第26-28页 |
| 3.3 使用卷积神经网络抽取触发词 | 第28-30页 |
| 3.3.1 卷积 | 第28-29页 |
| 3.3.2 池化 | 第29-30页 |
| 3.3.3 触发词生成 | 第30页 |
| 3.4 实验结果与分析 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 事件元素抽取与事件生成 | 第34-39页 |
| 4.1 事件元素识别 | 第34-36页 |
| 4.2 事件规则后处理 | 第36-37页 |
| 4.3 实验结果与分析 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第5章 总结与展望 | 第39-41页 |
| 5.1 工作总结 | 第39-40页 |
| 5.2 工作展望 | 第40-41页 |
| 致谢 | 第41-42页 |
| 参考文献 | 第42-48页 |
| 附录1 攻读硕士学位期间发表的论文 | 第48-49页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第49-50页 |
| 大摘要 | 第50-53页 |
