| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-24页 |
| 1.1 研究背景 | 第15-18页 |
| 1.1.1 生物医学文本信息挖掘 | 第15-16页 |
| 1.1.2 生物医学命名实体识别 | 第16-17页 |
| 1.1.3 研究难点 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-22页 |
| 1.2.1 基于词典的方法 | 第18页 |
| 1.2.2 基于规则的方法 | 第18-19页 |
| 1.2.3 基于统计机器学习的方法 | 第19-22页 |
| 1.3 本文研究内容 | 第22页 |
| 1.4 本文组织结构 | 第22-24页 |
| 第二章 相关模型算法介绍 | 第24-40页 |
| 2.1 条件随机场 | 第24-26页 |
| 2.1.1 CRF的算法原理 | 第24-25页 |
| 2.1.2 CRF的优点与不足 | 第25-26页 |
| 2.2 支持向量机 | 第26-27页 |
| 2.2.1 SVM简介 | 第26页 |
| 2.2.2 SVM的算法原理 | 第26-27页 |
| 2.3 长短时记忆神经网络 | 第27-34页 |
| 2.3.1 神经网络 | 第27-30页 |
| 2.3.2 循环神经网络 | 第30-31页 |
| 2.3.3 双向长短时记忆神经网络 | 第31-34页 |
| 2.4 深层条件随机场 | 第34-37页 |
| 2.4.1 Deep CRF的算法原理 | 第34-35页 |
| 2.4.2 Deep CRF的训练方式 | 第35-37页 |
| 2.5 双向长短时记忆网络-条件随机场 | 第37-40页 |
| 2.5.1 Bi LSTM-CRF的算法原理 | 第37-38页 |
| 2.5.2 网络训练的dropout | 第38-40页 |
| 第三章 基于混合模型的生物医学命名实体识别研究 | 第40-50页 |
| 3.1 特征构建 | 第40-46页 |
| 3.1.1 语言学特征 | 第40-43页 |
| 3.1.2 递增式特征选择方法 | 第43-44页 |
| 3.1.3 词向量表示方法 | 第44-46页 |
| 3.2 实验语料准备 | 第46-48页 |
| 3.3 研究方法流程 | 第48-50页 |
| 第四章 实验结果与分析 | 第50-70页 |
| 4.1 评测标准 | 第50页 |
| 4.2 实验环境 | 第50-51页 |
| 4.3 基于CRF的实验结果与分析 | 第51-55页 |
| 4.4 基于SVM的实验结果与分析 | 第55-58页 |
| 4.5 基于Deep CRF的实验结果与分析 | 第58-60页 |
| 4.6 基于Bi LSTM和Bi LSTM-CRF的实验结果与分析 | 第60-67页 |
| 4.6.1 实验语料准备 | 第60页 |
| 4.6.2 词向量研究实验结果与分析 | 第60-64页 |
| 4.6.3 Bi LSTM与Bi LSTM-CRF性能对比结果与分析 | 第64-67页 |
| 4.7 实验结果比较与分析 | 第67-70页 |
| 4.7.1 本文实验结果对比与分析 | 第67-68页 |
| 4.7.2 与最新研究结果对比与分析 | 第68-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文工作总结 | 第70-71页 |
| 5.2 未来工作展望 | 第71-72页 |
| 参考文献 | 第72-79页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第79-81页 |