| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文研究方法的提出 | 第12-14页 |
| 1.3.1 组合分类器 | 第12-13页 |
| 1.3.2 深度学习 | 第13-14页 |
| 1.4 本文研究内容 | 第14-15页 |
| 1.5 本文组织结构 | 第15-16页 |
| 2 机器学习方法介绍 | 第16-25页 |
| 2.1 随机森林 | 第16-17页 |
| 2.1.1 随机森林的基本原理 | 第16页 |
| 2.1.2 随机森林的实现过程 | 第16-17页 |
| 2.2 支持向量机 | 第17-21页 |
| 2.2.1 分类思想 | 第17-18页 |
| 2.2.2 几何间隔 | 第18-20页 |
| 2.2.3 核函数 | 第20-21页 |
| 2.2.4 多分类SVM | 第21页 |
| 2.3 Softmax | 第21-23页 |
| 2.3.1 logistic回归 | 第22页 |
| 2.3.2 Softmax回归 | 第22-23页 |
| 2.4 PA在线算法 | 第23-25页 |
| 3 基于组合分类器的生物医学事件触发词识别方法 | 第25-34页 |
| 3.1 文本处理 | 第25-26页 |
| 3.2 特征抽取 | 第26-29页 |
| 3.3 基本分类器的构建 | 第29-31页 |
| 3.4 组合方法 | 第31-34页 |
| 4 基于深度学习SdA的生物医学事件触发词识别方法 | 第34-39页 |
| 4.1 Autoencoders简介 | 第34-35页 |
| 4.2 深度学习SdA工作原理 | 第35-37页 |
| 4.2.1 预训练 | 第35-37页 |
| 4.2.2 微调 | 第37页 |
| 4.3 触发词实例构建 | 第37-39页 |
| 5 实验结果与分析 | 第39-53页 |
| 5.1 语料与评价标准 | 第39-41页 |
| 5.1.1 语料 | 第39-40页 |
| 5.1.2 评价标准 | 第40-41页 |
| 5.2 基本分类器分类结果 | 第41-42页 |
| 5.3 组合分类器结果 | 第42-49页 |
| 5.3.1 集合交/并操作结果 | 第42-43页 |
| 5.3.2 投票结果 | 第43-44页 |
| 5.3.3 叠加结果 | 第44-46页 |
| 5.3.4 错误分析与总结 | 第46-47页 |
| 5.3.5 与其他系统的比较 | 第47-49页 |
| 5.4 SdA识别结果 | 第49-53页 |
| 5.4.1 学习率的影响 | 第49-50页 |
| 5.4.2 预训练的影响 | 第50页 |
| 5.4.3 特征表示的影响 | 第50-51页 |
| 5.4.4 隐层层数的影响 | 第51页 |
| 5.4.5 特征表示对PA的影响 | 第51-52页 |
| 5.4.6 SdA特征表示总结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-60页 |