基于循环神经网络RNN的领域命名实体识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 传统NER方法 | 第10-12页 |
| 1.2.2 RNN神经网络方法 | 第12-13页 |
| 1.2.3 迁移学习 | 第13-14页 |
| 1.3 研究难点与创新点 | 第14-15页 |
| 1.4 论文内容组织 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 NER模型分析 | 第17-33页 |
| 2.1 识别模型 | 第17-22页 |
| 2.1.1 统计概率模型 | 第17-20页 |
| 2.1.1.1 HMM | 第17-19页 |
| 2.1.1.2 CRF | 第19-20页 |
| 2.1.2 深度学习模型 | 第20-22页 |
| 2.2 模型构建 | 第22-26页 |
| 2.2.1 HMM中的Viterbi算法 | 第22-23页 |
| 2.2.2 CRF特征模板构建 | 第23-24页 |
| 2.2.3 RNN参数选择 | 第24-26页 |
| 2.3 实验与结果分析 | 第26-32页 |
| 2.3.1 实验数据集描述 | 第27-28页 |
| 2.3.2 实验参数设置 | 第28-29页 |
| 2.3.3 结果与分析 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于协同训练的NER方法优化 | 第33-44页 |
| 3.1 协同训练方法 | 第33-36页 |
| 3.2 RNN模型激活函数改进 | 第36-40页 |
| 3.2.1 模型分析 | 第36-37页 |
| 3.2.2 改进方法 | 第37-40页 |
| 3.3 实验与结果分析 | 第40-42页 |
| 3.3.1 实验参数设置 | 第40页 |
| 3.3.2 实验结果与分析 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于样本迁移的领域NER方法 | 第44-57页 |
| 4.1 领域NER识别方法 | 第44-49页 |
| 4.1.1 样本迁移策略 | 第45-48页 |
| 4.1.2 RNN模型改进 | 第48-49页 |
| 4.2 数据来源与特征 | 第49-50页 |
| 4.3 实验与结果分析 | 第50-55页 |
| 4.3.1 数据预处理 | 第50-51页 |
| 4.3.2 模型参数选择 | 第51-52页 |
| 4.3.3 实验结果 | 第52-55页 |
| 4.3.3.1 样本迁移实验 | 第52-54页 |
| 4.3.3.2 协同训练实验 | 第54-55页 |
| 4.3.4 实验结果分析 | 第55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 总结与未来展望 | 第57-60页 |
| 5.1 工作总结 | 第57-58页 |
| 5.2 论文展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第65页 |
