基于统一模型的中文社交媒体命名实体识别的研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第9-15页 |
| 1.1 本文研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 中文社交媒体命名实体识别的难点 | 第11-12页 |
| 1.4 本文研究主要内容 | 第12-13页 |
| 1.5 论文组织结构 | 第13-15页 |
| 2 NER的相关技术 | 第15-23页 |
| 2.1 NER的相关方法 | 第15-16页 |
| 2.1.1 基于规则的方法 | 第15页 |
| 2.1.2 基于统计的方法 | 第15-16页 |
| 2.1.3 规则和统计相结合的方法 | 第16页 |
| 2.2 解决命名实体识别的技术和算法 | 第16-19页 |
| 2.2.1 监督式学习 | 第17页 |
| 2.2.2 半监督式学习 | 第17-18页 |
| 2.2.3 无监督式学习 | 第18-19页 |
| 2.3 BILSTM-MMNN基本模型 | 第19-22页 |
| 2.3.1 BILSTM结构 | 第19-20页 |
| 2.3.2 最大化间距目标函数(MMNN) | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 UNER框架 | 第23-43页 |
| 3.1 命名实体识别的建模 | 第23-31页 |
| 3.1.1 LSTM中文分词 | 第23-25页 |
| 3.1.2 序列标注 | 第25-28页 |
| 3.1.3 基于字向量和基于词向量 | 第28-30页 |
| 3.1.4 特征提取 | 第30-31页 |
| 3.1.5 训练集标注 | 第31页 |
| 3.2 跨领域学习框架的实现 | 第31-36页 |
| 3.2.1 跨领域学习的基本原理 | 第32-33页 |
| 3.2.2 转移代价函数的计算 | 第33-34页 |
| 3.2.3 跨领域学习域的相关性度量 | 第34-36页 |
| 3.3 半监督学习框架的实现 | 第36-41页 |
| 3.3.1 半监督的NER结构 | 第36-37页 |
| 3.3.2 自学习与主动学习结合的命名实体识别 | 第37-38页 |
| 3.3.3 CRF分类器 | 第38-40页 |
| 3.3.4 基于置信度的主动学习 | 第40-41页 |
| 3.4 统一识别模型的中文社交媒体命名实体识别 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 UNER的实验及分析 | 第43-52页 |
| 4.1 实验设置 | 第43-45页 |
| 4.1.1 实验评价标准 | 第43页 |
| 4.1.2 数据集 | 第43-44页 |
| 4.1.3 微博语料规范化 | 第44-45页 |
| 4.1.4 基线数据分析 | 第45页 |
| 4.1.5 参数设置 | 第45页 |
| 4.2 实验结果及分析 | 第45-51页 |
| 4.2.1 实验结果 | 第45-48页 |
| 4.2.2 实验结果分析 | 第48-51页 |
| 4.3 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-55页 |
| 5.1 全文总结 | 第52-53页 |
| 5.2 下一步的工作展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录1攻读硕士学位期间参与的项目和发表的论文 | 第60-61页 |
| 附录2主要英文缩写语对照表 | 第61页 |
