| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 知识图谱构建技术的研究进展 | 第12-13页 |
| 1.2.2 研究现状分析 | 第13-15页 |
| 1.3 论文的研究内容 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-17页 |
| 第二章 背景技术 | 第17-27页 |
| 2.1 文本表示技术 | 第17-19页 |
| 2.1.1 Word2Vec词向量 | 第17-18页 |
| 2.1.2 Doc2Vec文档向量 | 第18-19页 |
| 2.2 循环神经网络 | 第19-21页 |
| 2.2.1 RNN | 第19-20页 |
| 2.2.2 LSTM | 第20-21页 |
| 2.3 卷积神经网络 | 第21-22页 |
| 2.4 命名实体识别 | 第22-23页 |
| 2.5 知识表示技术 | 第23-26页 |
| 2.5.1 基于翻译模型的知识表示学习方法 | 第24-25页 |
| 2.5.2 融合文本信息的知识表示学习方法 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于深度学习的中文医疗领域命名实体识别方法 | 第27-39页 |
| 3.1 整体框架设计 | 第27-29页 |
| 3.1.1 问题定义 | 第27页 |
| 3.1.2 整体框架设计 | 第27-29页 |
| 3.2 字粒度Bi-LSTM-CRF模型 | 第29-30页 |
| 3.3 关键技术改进 | 第30-34页 |
| 3.3.1 字向量与词向量增强 | 第31-32页 |
| 3.3.2 字形特征的融入 | 第32-33页 |
| 3.3.3 其它策略的改进 | 第33-34页 |
| 3.4 实验 | 第34-37页 |
| 3.4.1 实验数据 | 第34页 |
| 3.4.2 实验设置 | 第34-35页 |
| 3.4.3 实验结果与分析 | 第35-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 融合实体描述信息的医疗领域知识图谱表示学习 | 第39-45页 |
| 4.1 问题定义 | 第39页 |
| 4.2 实体描述文本的表示学习 | 第39页 |
| 4.3 联合嵌入模型 | 第39-41页 |
| 4.4 实验 | 第41-44页 |
| 4.4.1 实验数据集 | 第41页 |
| 4.4.2 实验设置 | 第41-42页 |
| 4.4.3 实验结果与分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 垂直领域知识平台的构建 | 第45-59页 |
| 5.1 总体架构的设计 | 第45页 |
| 5.2 知识抽取 | 第45-52页 |
| 5.2.1 半结构化数据的知识抽取 | 第46-50页 |
| 5.2.2 非结构化数据的知识抽取 | 第50-52页 |
| 5.3 知识融合 | 第52-53页 |
| 5.4 知识存储 | 第53-55页 |
| 5.4.1 Neo4j图数据库 | 第53-54页 |
| 5.4.2 知识存储方案设计 | 第54-55页 |
| 5.5 知识平台的设计与实现 | 第55-57页 |
| 5.5.1 系统架构设计 | 第55-56页 |
| 5.5.2 系统实现 | 第56-57页 |
| 5.6 工作小结 | 第57-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 6.1 工作总结 | 第59页 |
| 6.2 研究展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读学位期间发表的学术论文目录 | 第67页 |