| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 生物医学领域的相关资源 | 第12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 基于词典的方法 | 第12-13页 |
| 1.3.2 基于规则的方法 | 第13-14页 |
| 1.3.3 基于统计机器学习的方法 | 第14-15页 |
| 1.3.4 基于组合的方法 | 第15页 |
| 1.3.5 浅层机器学习方法的局限性 | 第15-16页 |
| 1.4 本文主要研究内容 | 第16-17页 |
| 1.5 本文的组织结构 | 第17-18页 |
| 2 相关表示、模型及算法介绍 | 第18-26页 |
| 2.1 词表示 | 第18-19页 |
| 2.1.1 独热码式向量表示 | 第18页 |
| 2.1.2 分布式向量表示 | 第18-19页 |
| 2.2 人工神经网络 | 第19-21页 |
| 2.2.1 损失函数 | 第19-21页 |
| 2.2.2 梯度下降 | 第21页 |
| 2.3 递归神经网络 | 第21-23页 |
| 2.4 布朗聚类和LDA | 第23-24页 |
| 2.4.1 布朗聚类算法 | 第23页 |
| 2.4.2 LDA算法 | 第23-24页 |
| 2.5 实验语料和评价方法 | 第24-25页 |
| 2.5.1 实验语料 | 第24-25页 |
| 2.5.2 评价方法 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 基于传统递归神经网络进行生物命名实体识别 | 第26-37页 |
| 3.1 输入表示与标记方法 | 第26-27页 |
| 3.1.1 输入表示 | 第26页 |
| 3.1.2 标记方法 | 第26-27页 |
| 3.2 采用递归神经网络进行生物命名实体识别 | 第27-31页 |
| 3.2.1 两种递归神经网络结构 | 第28-30页 |
| 3.2.2 生物命名实体识别 | 第30-31页 |
| 3.3 基于特征层进行扩展的RNN | 第31-32页 |
| 3.3.1 建立输出层的递归连接 | 第31页 |
| 3.3.2 增加外部信息构建特征层 | 第31-32页 |
| 3.4 双向组合的RNN | 第32-33页 |
| 3.5 实验结果与分析 | 第33-36页 |
| 3.5.1 实验设置 | 第33页 |
| 3.5.2 扩展RNN的识别效果与分析 | 第33-34页 |
| 3.5.3 双向RNN的识别效果与分析 | 第34-35页 |
| 3.5.4 与其他模型比较的结果 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 基于长短时记忆递归神经网络的生物命名实体识别 | 第37-51页 |
| 4.1 基于双向LSTM的递归神经网络 | 第38-41页 |
| 4.1.1 长短时记忆神经网络 | 第38-40页 |
| 4.1.2 构建输出层递归连接 | 第40页 |
| 4.1.3 构建双向LSTM递归神经网络 | 第40-41页 |
| 4.2 构建基于ST-BLSTM递归神经网络的生物实体识别框架 | 第41-45页 |
| 4.2.1 双词向量扩展的BLSTM递归神经网络 | 第42-43页 |
| 4.2.2 融入句子向量信息 | 第43-44页 |
| 4.2.3 融入维特比算法 | 第44-45页 |
| 4.3 实验结果与分析 | 第45-50页 |
| 4.3.1 基于LSTM模型的生物实体识别的实验结果 | 第45-46页 |
| 4.3.2 与其他模型进行比较的结果 | 第46-48页 |
| 4.3.3 在JNLPBA语料上实验的结果 | 第48-49页 |
| 4.3.4 在Biocreative V DNER语料上实验的结果 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-59页 |
