基于深度学习的实体链接方法
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究内容 | 第12页 |
| 1.3 本文结构 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 第2章 相关理论与技术 | 第14-34页 |
| 2.1 国内外研究现状 | 第14-17页 |
| 2.1.1 表格实体链接 | 第14页 |
| 2.1.2 文本实体链接 | 第14-17页 |
| 2.2 相关技术 | 第17-33页 |
| 2.2.1 HanLP | 第17-21页 |
| 2.2.2 Word2Vec | 第21-23页 |
| 2.2.3 Doc2Vec | 第23-26页 |
| 2.2.4 同义词 | 第26-27页 |
| 2.2.5 神经网络 | 第27-31页 |
| 2.2.6 随机游走算法 | 第31页 |
| 2.2.7 GERBIL | 第31-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第3章 表格实体链接 | 第34-43页 |
| 3.1 引言 | 第34-36页 |
| 3.1.1 定义 | 第35-36页 |
| 3.2 特征设计 | 第36-38页 |
| 3.3 Rank训练指标与结果分析 | 第38-42页 |
| 3.3.1 极大似然估计 | 第39页 |
| 3.3.2 Ranking SVM | 第39页 |
| 3.3.3 实验结果 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 文本实体链接 | 第43-65页 |
| 4.1 引言 | 第43-45页 |
| 4.1.1 定义 | 第44-45页 |
| 4.2 实体识别 | 第45-47页 |
| 4.3 Mention模型 | 第47-48页 |
| 4.4 Entity模型 | 第48-50页 |
| 4.5 Neural Tensor和交叉熵训练 | 第50-52页 |
| 4.6 图模型联合消歧 | 第52-55页 |
| 4.7 实验设计与结果分析 | 第55-63页 |
| 4.7.1 实验设置 | 第55-56页 |
| 4.7.2 中文数据集 | 第56-58页 |
| 4.7.3 英文数据集 | 第58-63页 |
| 4.7.4 结果分析 | 第63页 |
| 4.8 本章小结 | 第63-65页 |
| 第5章 实体链接应用 | 第65-71页 |
| 5.1 表格实体链接应用 | 第65-66页 |
| 5.2 文本实体链接应用 | 第66-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-82页 |
| 攻读硕士学位期间主要的研究成果 | 第82-83页 |
| 致谢 | 第83页 |
