基于双向LSTMN神经网络的中文分词研究分析
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-15页 |
| 1.1.1 中文分词的重要性与传统方法 | 第11-13页 |
| 1.1.2 中文分词与深度学习 | 第13-15页 |
| 1.2 论文主要工作和贡献 | 第15页 |
| 1.3 论文组织 | 第15-17页 |
| 第二章 深度学习理论基础 | 第17-34页 |
| 2.1 为什么深度学习流行 | 第17-18页 |
| 2.2 神经网络模型和神经元 | 第18-21页 |
| 2.3 神经网络参数的训练方式与BP算法 | 第21-23页 |
| 2.4 深度学习的二分类与多分类函数 | 第23-27页 |
| 2.5 RNN和经典的LSTM神经网络 | 第27-32页 |
| 2.6 本章小结 | 第32-34页 |
| 第三章 深度学习与自然语言处理 | 第34-48页 |
| 3.1 基于窗口大小的深度学习模型 | 第34-39页 |
| 3.2 基于RNN的深度学习模型 | 第39-43页 |
| 3.3 基于注意力机制的深度学习模型 | 第43-45页 |
| 3.4 双向RNN神经网络 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于BI-LSTMN的中文分词 | 第48-58页 |
| 4.1 LSTM缺点及解决方式 | 第48-51页 |
| 4.2 LSTMN单元 | 第51-54页 |
| 4.3 双向LSTMN神经网络 | 第54-56页 |
| 4.4 双向LSTM加注意力机制的神经网络 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 实验与分析 | 第58-61页 |
| 5.1 实验设置 | 第58页 |
| 5.1.1 实验数据集 | 第58页 |
| 5.1.2 实验环境 | 第58页 |
| 5.1.3 评测标准 | 第58页 |
| 5.2 中文分词实验细节与分析 | 第58-61页 |
| 第六章 总结与展望 | 第61-64页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 致谢 | 第71-72页 |
| 参与项目 | 第72-74页 |
