首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

面向自然语言处理的注意力机制研究

摘要第5-6页
ABSTRACT第6-7页
第一章 绪论第10-16页
    1.1 课题研究背景及意义第10-11页
        1.1.1 论文研究背景第10-11页
        1.1.2 论文研究意义第11页
    1.2 国内外研究现状第11-13页
    1.3 主要研究内容第13-15页
        1.3.1 基于深度学习的中文分词研究第13-14页
        1.3.2 基于自注意力机制的中文分词神经网络第14页
        1.3.3 基于BERT预训练的中文分词神经网络第14-15页
    1.4 论文组织结构第15-16页
第二章 中文分词技术研究综述第16-26页
    2.1 中文分词基础第16-17页
        2.1.1 中文分词的特殊性第16页
        2.1.2 统计学习分词基础第16-17页
    2.2 中文分词常用算法第17-22页
        2.2.1 词典匹配第17-18页
        2.2.2 概率图模型第18-19页
        2.2.3 深度学习模型第19-22页
        2.2.4 各类算法对比第22页
    2.3 中文分词常用语料数据集及工具第22-23页
        2.3.1 中文分词语料第22-23页
        2.3.2 中文分词工具及实验工具第23页
    2.4 中文分词系统性能估计第23-25页
    2.5 本章小结第25-26页
第三章 基于自注意力机制的神经网络模型第26-42页
    3.1 基本原理第26-27页
    3.2 模型描述第27-35页
        3.2.1 嵌入层第28-30页
        3.2.2 特征层第30-34页
        3.2.3 CRF层第34-35页
    3.3 模型细节第35-37页
        3.3.1 层标准化第35-36页
        3.3.2 残差连接第36页
        3.3.3 Dropout第36-37页
    3.4 实验设计第37-38页
        3.4.1 实验语料第37页
        3.4.2 实验设计及平台第37-38页
        3.4.3 评估标准第38页
    3.5 实验结果及分析第38-41页
        3.5.1 Baseline对比第38-39页
        3.5.2 State of the art对比第39-41页
    3.6 本章小结第41-42页
第四章 基于BERT预训练的中文分词模型第42-54页
    4.1 分词性能的进一步提升第42-43页
    4.2 文本表示与预训练第43-47页
        4.2.1 文本表示第43页
        4.2.2 独热编码第43-44页
        4.2.3 静态词向量第44-46页
        4.2.4 动态词表示第46-47页
    4.3 基于BERT预训练的中文分词模型第47-50页
        4.3.1 BERT模型第47-50页
        4.3.2 整体模型第50页
    4.4 实验设计第50-51页
    4.5 实验结果及分析第51-53页
    4.6 本章小结第53-54页
第五章 总结与展望第54-56页
    5.1 论文的工作总结第54-55页
    5.2 研究展望第55-56页
参考文献第56-60页
致谢第60-61页
作者攻读学位期间发表的学术论文目录第61页

论文共61页,点击 下载论文
上一篇:渐进式行人重识别关键技术研究
下一篇:地形视角下农户马铃薯种植规模与绩效研究