| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究现状 | 第8-11页 |
| 1.1.1 触发词识别 | 第8-10页 |
| 1.1.2 要素识别 | 第10-11页 |
| 1.1.3 后处理 | 第11页 |
| 1.2 本文研究内容 | 第11-12页 |
| 1.3 本文组织结构 | 第12-13页 |
| 2 词向量和深度学习原理介绍 | 第13-24页 |
| 2.1 词向量 | 第13-16页 |
| 2.1.1 CBOW模型 | 第14-15页 |
| 2.1.2 Skip-gram模型 | 第15页 |
| 2.1.3 层级Softmax模型 | 第15-16页 |
| 2.1.4 负采样 | 第16页 |
| 2.2 深度学习算法 | 第16-24页 |
| 2.2.1 CNN的基本原理 | 第17-19页 |
| 2.2.2 文本挖掘领域中的CNN | 第19-24页 |
| 3 生物医学事件抽取 | 第24-27页 |
| 3.1 事件抽取系统描述 | 第24-25页 |
| 3.2 工具包 | 第25-27页 |
| 4 生物医学事件触发词识别 | 第27-36页 |
| 4.1 触发词识别流程图 | 第27-28页 |
| 4.2 语料预处理以及实例生成 | 第28-30页 |
| 4.2.1 原始语料的预处理 | 第28-29页 |
| 4.2.2 实例生成 | 第29-30页 |
| 4.3 基于依存关系的词向量 | 第30-32页 |
| 4.4 基于PMCNN的触发词识别模型 | 第32-36页 |
| 4.4.2 输入层特征表示 | 第32-33页 |
| 4.4.3 并行卷积操作，获取深层特征表示 | 第33-34页 |
| 4.4.4 并行多池化操作 | 第34-35页 |
| 4.4.5 输出 | 第35页 |
| 4.4.6 训练 | 第35-36页 |
| 5 生物医学事件要素识别 | 第36-46页 |
| 5.1 要素识别流程图 | 第36-37页 |
| 5.2 要素实例生成 | 第37-38页 |
| 5.3 基于PMCNN的要素识别模型 | 第38-42页 |
| 5.3.1 输入层特征表示 | 第39-40页 |
| 5.3.2 并行卷积操作，获取深层特征表示 | 第40页 |
| 5.3.3 并行多池化操作 | 第40-41页 |
| 5.3.4 输出 | 第41页 |
| 5.3.5 修正线性激活函数 | 第41-42页 |
| 5.3.6 训练 | 第42页 |
| 5.4 基于SVM的事件后处理 | 第42-46页 |
| 5.4.1 SVM分类器 | 第43-45页 |
| 5.4.2 候选事件生成 | 第45页 |
| 5.4.3 特征选取 | 第45-46页 |
| 6 实验结果与分析 | 第46-56页 |
| 6.1 语料及其评价标准 | 第46-49页 |
| 6.1.1 语料 | 第46-48页 |
| 6.1.2 评价标准 | 第48-49页 |
| 6.2 基于PMCNN的生物医学事件触发词识别实验 | 第49-51页 |
| 6.2.1 基于依存关系的词向量vs.基于Skip-gram模型的词向量 | 第49页 |
| 6.2.2 并行多池化CNN vs.多池化CNN | 第49页 |
| 6.2.3 与其他工作对比 | 第49-51页 |
| 6.3 基于PMCNN的生物医学事件要素识别实验 | 第51-52页 |
| 6.3.1 要素识别详细结果 | 第51-52页 |
| 6.3.2 PMCNN使用不同激活函数对要素识别的影响 | 第52页 |
| 6.4 事件抽取结果 | 第52-54页 |
| 6.4.1 事件抽取详细结果 | 第53-54页 |
| 6.4.2 事件抽取的总体结果 | 第54页 |
| 6.5 实验结果分析 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-64页 |
