| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题的研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 命名实体识别研究 | 第10-11页 |
| 1.2.2 深度学习方法研究 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 内容安排 | 第14-16页 |
| 第2章 相关技术综述 | 第16-25页 |
| 2.1 中文命名实体识别 | 第16-21页 |
| 2.1.1 任务概述 | 第16-17页 |
| 2.1.2 常用方法简介 | 第17-21页 |
| 2.1.2.1 基于规则和词典的方法 | 第17页 |
| 2.1.2.2 基于统计学习模型的方法 | 第17-21页 |
| 2.2 深度学习 | 第21-24页 |
| 2.2.1 前馈神经网络 | 第21-23页 |
| 2.2.2 循环神经网络 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 法律案例的切分与命名实体标注数据集的开发 | 第25-32页 |
| 3.1 引言 | 第25页 |
| 3.2 法律案例文本的特点 | 第25-26页 |
| 3.3 标注规范的设计 | 第26-28页 |
| 3.4 标注辅助工具的开发 | 第28-30页 |
| 3.5 标注过程与标注数据集的统计 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第4章 基于字符级神经网络的法律实体识别研究 | 第32-45页 |
| 4.1 引言 | 第32页 |
| 4.2 长短期记忆模型与条件随机场模型 | 第32-35页 |
| 4.2.1 长短期记忆模型 | 第32-34页 |
| 4.2.2 条件随机场标注模型 | 第34-35页 |
| 4.3 基于LSTM-CRF模型的法律命名实体识别 | 第35-40页 |
| 4.3.1 基于LSTM-CRF模型的标注方案 | 第35-38页 |
| 4.3.2 模型的参数学习 | 第38-40页 |
| 4.4 实验 | 第40-43页 |
| 4.4.1 实验数据 | 第40页 |
| 4.4.2 参数设置 | 第40-41页 |
| 4.4.3 实验结果与分析 | 第41-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第5章 基于片段级神经网络的法律实体识别研究 | 第45-57页 |
| 5.1 引言 | 第45-46页 |
| 5.2 背景技术介绍 | 第46-47页 |
| 5.2.1 门限组合神经网络 | 第46-47页 |
| 5.3 基于GCNN-LSTM模型的片段级中文命名实体识别 | 第47-54页 |
| 5.3.1 模型的总体框架 | 第48-49页 |
| 5.3.2 片段及标记的分值计算方法 | 第49-52页 |
| 5.3.3 基于beam-search解码算法 | 第52-53页 |
| 5.3.4 模型训练 | 第53-54页 |
| 5.4 实验 | 第54-56页 |
| 5.4.1 实验数据 | 第54页 |
| 5.4.2 参数设置 | 第54-55页 |
| 5.4.3 实验结果与分析 | 第55-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 两种神经网络命名实体识别模型的组合研究 | 第57-62页 |
| 6.1 引言 | 第57页 |
| 6.2 字符级与片段级神经网络命名实体识别模型的组合方法 | 第57-60页 |
| 6.3 实验结果与分析 | 第60-61页 |
| 6.4 本章小结 | 第61-62页 |
| 第7章 总结与展望 | 第62-64页 |
| 7.1 本文总结 | 第62-63页 |
| 7.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70页 |
