| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-26页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-23页 |
| 1.2.1 信息抽取概述 | 第13-15页 |
| 1.2.2 通用领域实体关系抽取研究现状 | 第15-19页 |
| 1.2.3 生物医学领域实体关系抽取研究现状 | 第19-23页 |
| 1.3 本文的研究内容 | 第23-24页 |
| 1.4 本文的组织结构 | 第24-26页 |
| 第2章 相关知识介绍 | 第26-47页 |
| 2.1 化学物与疾病关系抽取任务概述 | 第26-32页 |
| 2.1.1 任务定义 | 第26-29页 |
| 2.1.2 CDR语料库介绍 | 第29-32页 |
| 2.2 性能评价标准 | 第32页 |
| 2.3 相关资源介绍 | 第32-46页 |
| 2.3.1 CTD数据库简介 | 第32-36页 |
| 2.3.2 句法分析 | 第36-37页 |
| 2.3.3 最大熵模型 | 第37-39页 |
| 2.3.4 卷积神经网络 | 第39-42页 |
| 2.3.5 循环神经网络 | 第42-45页 |
| 2.3.6 远程监督学习 | 第45-46页 |
| 2.4 本章小结 | 第46-47页 |
| 第3章 基于上下位过滤与层次化特征提取的生物医学实体关系抽取 | 第47-65页 |
| 3.1 引言 | 第47-48页 |
| 3.2 实体关系的层次化分解 | 第48-49页 |
| 3.3 关系抽取框架 | 第49-57页 |
| 3.3.1 关系实例的构建 | 第51-52页 |
| 3.3.2 关系实例的上下位过滤 | 第52-54页 |
| 3.3.3 基于层次化特征提取的关系抽取 | 第54-57页 |
| 3.3.4 关系融合 | 第57页 |
| 3.3.5 后处理 | 第57页 |
| 3.4 实验 | 第57-64页 |
| 3.4.1 语料预处理 | 第57-58页 |
| 3.4.2 实验结果 | 第58-61页 |
| 3.4.3 讨论与分析 | 第61-62页 |
| 3.4.4 相关系统间的性能比较 | 第62-64页 |
| 3.5 本章小结 | 第64-65页 |
| 第4章 基于上下文与依存表示模型的生物医学实体关系抽取 | 第65-83页 |
| 4.1 引言 | 第65-66页 |
| 4.2 关系抽取框架 | 第66-74页 |
| 4.2.1 关系实例的构建 | 第67页 |
| 4.2.2 关系实例的上下位过滤 | 第67页 |
| 4.2.3 基于特征提取的句间关系抽取 | 第67页 |
| 4.2.4 基于表示学习的句内关系抽取 | 第67-74页 |
| 4.2.5 关系融合 | 第74页 |
| 4.2.6 后处理 | 第74页 |
| 4.3 实验 | 第74-81页 |
| 4.3.1 实验设置 | 第74-75页 |
| 4.3.2 实验结果 | 第75-77页 |
| 4.3.3 讨论与分析 | 第77-78页 |
| 4.3.4 相关系统间的性能比较 | 第78-81页 |
| 4.4 本章小结 | 第81-83页 |
| 第5章 基于远程监督学习的生物医学实体关系抽取 | 第83-107页 |
| 5.1 引言 | 第83-84页 |
| 5.2 基于远程监督学习的关系抽取模型 | 第84-96页 |
| 5.2.1 实体对齐 | 第84-86页 |
| 5.2.2 基于注意力机制的句内关系抽取 | 第86-93页 |
| 5.2.3 基于栈式自编码器的句间关系抽取 | 第93-95页 |
| 5.2.4 关系融合 | 第95-96页 |
| 5.3 数据集构建 | 第96-97页 |
| 5.4 实验 | 第97-106页 |
| 5.4.1 实验设置 | 第97-98页 |
| 5.4.2 实验结果 | 第98-102页 |
| 5.4.3 讨论与分析 | 第102-103页 |
| 5.4.4 相关系统间的性能比较 | 第103-106页 |
| 5.5 本章小结 | 第106-107页 |
| 第6章 总结与展望 | 第107-109页 |
| 6.1 研究工作总结 | 第107-108页 |
| 6.2 下一步工作展望 | 第108-109页 |
| 参考文献 | 第109-125页 |
| 攻读学位期间公开发表的论文 | 第125页 |
| 攻读学位期间获得的专利 | 第125-126页 |
| 攻读学位期间参与的科研项目 | 第126-127页 |
| 致谢 | 第127-128页 |