| 附表 | 第1-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-11页 |
| 目录 | 第11-13页 |
| 第1章 绪论 | 第13-17页 |
| ·研究背景和意义 | 第13-14页 |
| ·领域概念抽取的应用 | 第14-15页 |
| ·本文的主要工作 | 第15-16页 |
| ·本文的组织结构 | 第16页 |
| ·本章小结 | 第16-17页 |
| 第2章 国内外研究现状 | 第17-23页 |
| ·方法概述 | 第17-21页 |
| ·基于规则的方法 | 第17-18页 |
| ·基于统计的方法 | 第18-20页 |
| ·规则和统计相结合的方法 | 第20-21页 |
| ·现有研究的不足 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第3章 神经网络与DEEP LEARNING | 第23-40页 |
| ·神经网络 | 第23-30页 |
| ·人工神经网络简介 | 第23页 |
| ·BP神经网络模型定义 | 第23-27页 |
| ·BP神经网络的训练 | 第27-30页 |
| ·DEEP LEARNING | 第30-40页 |
| ·Deep Learning简介 | 第30-31页 |
| ·Deep Learning与神经网络的关系 | 第31-33页 |
| ·Deep Learning基本思想和常用方法 | 第33-34页 |
| ·限制玻尔兹曼机 | 第34-40页 |
| 第4章 基于DEEP LEARNING的领域概念抽取算法 | 第40-49页 |
| ·领域概念抽取中的分类问题 | 第40-41页 |
| ·DLDoC算法总体流程 | 第41-42页 |
| ·训练模块 | 第42-48页 |
| ·样本提取 | 第42-43页 |
| ·特征提取 | 第43-46页 |
| ·DN模型训练 | 第46-48页 |
| ·测试模块 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第5章 实验与分析 | 第49-59页 |
| ·数据集与评测指标 | 第49-50页 |
| ·实验软硬件环境 | 第50页 |
| ·实验结果与分析 | 第50-58页 |
| ·BP神经网络模型的实验 | 第50-54页 |
| ·DN深度网络模型的实验 | 第54-55页 |
| ·与其他分类方法的实验对比 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| ·全文工作总结 | 第59页 |
| ·下一步工作和展望 | 第59-61页 |
| 附录一 作者攻读硕士学位期间参与的科研项目 | 第61页 |
| 附录二 作者攻读硕士学位期间申请的专利 | 第61页 |
| 附录三 作者攻读硕士学位期间获得的软件著作权 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 后记 | 第67页 |