法制领域案件的实体关系抽取研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-23页 |
| 1.1. 研究背景及意义 | 第11-12页 |
| 1.2. 研究现状 | 第12-20页 |
| 1.2.1. 基于知识工程 | 第12-13页 |
| 1.2.2. 基于机器学习 | 第13-16页 |
| 1.2.3. 基于深度学习 | 第16-20页 |
| 1.3. 研究内容 | 第20-21页 |
| 1.4. 论文组织结构 | 第21-23页 |
| 第二章 相关理论及技术 | 第23-37页 |
| 2.1. 实体关系抽取 | 第23-29页 |
| 2.1.1. 实体 | 第23-25页 |
| 2.1.2. 实体关系 | 第25-27页 |
| 2.1.3. 实体关系抽取 | 第27-29页 |
| 2.2. 法制领域案件的实体关系抽取 | 第29-30页 |
| 2.3. 强化学习 | 第30-33页 |
| 2.4. 卷积神经网络 | 第33-35页 |
| 2.5. 本章小结 | 第35-37页 |
| 第三章 基于强化学习的噪声过滤模型 | 第37-51页 |
| 3.1. 引言 | 第37-38页 |
| 3.2. 远程监督 | 第38-39页 |
| 3.3. 模型框架 | 第39-41页 |
| 3.4. 问题定义 | 第41-43页 |
| 3.5. 基于强化学习的噪声过滤模型 | 第43-46页 |
| 3.5.1. 状态 | 第43页 |
| 3.5.2. 行为 | 第43-44页 |
| 3.5.3. 反馈 | 第44-45页 |
| 3.5.4. 优化 | 第45-46页 |
| 3.6. 实验设计与分析 | 第46-50页 |
| 3.6.1. 实验数据 | 第46-47页 |
| 3.6.2. 实验评价 | 第47页 |
| 3.6.3. 实验结果分析 | 第47-50页 |
| 3.7. 本章小结 | 第50-51页 |
| 第四章 基于卷积神经网络的关系分类模型 | 第51-63页 |
| 4.1. 引言 | 第51-52页 |
| 4.2. 模型框架 | 第52-53页 |
| 4.3. 问题定义 | 第53页 |
| 4.4. 卷积神经网络 | 第53-54页 |
| 4.4.1. 输入层 | 第53-54页 |
| 4.4.2. 卷积神经网络 | 第54页 |
| 4.4.3. 损失函数 | 第54页 |
| 4.5. 共同训练 | 第54-57页 |
| 4.6. 实验设计与分析 | 第57-61页 |
| 4.6.1. 实验数据 | 第57页 |
| 4.6.2. 数据向量表示 | 第57-58页 |
| 4.6.3. 预训练 | 第58-59页 |
| 4.6.4. 参数设置 | 第59页 |
| 4.6.5. 实验评价 | 第59-60页 |
| 4.6.6. 实验结果分析 | 第60-61页 |
| 4.7. 本章小结 | 第61-63页 |
| 第五章 基于图形数据库的实体关系网络可视化 | 第63-67页 |
| 5.1. 引言 | 第63页 |
| 5.2. 图形数据库 | 第63-64页 |
| 5.3. 领域实体关系网络可视化 | 第64-66页 |
| 5.4. 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1. 总结 | 第67页 |
| 6.2. 展望 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-79页 |
| 附录A 攻读硕士学位期间发表论文 | 第79-81页 |
| 附录B 攻读硕士学位期间参与科研项目 | 第81页 |
