| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要内容以及贡献 | 第14-16页 |
| 1.4 本论文的结构安排 | 第16-17页 |
| 2 相关工作 | 第17-26页 |
| 2.1 中文公司实体识别 | 第17-20页 |
| 2.1.1 什么是命名实体识别 | 第17-18页 |
| 2.1.2 中文实体识别相关技术 | 第18页 |
| 2.1.3 基于规则和词典的方法 | 第18页 |
| 2.1.4 基于统计的机器学习方法 | 第18-19页 |
| 2.1.5 二者混合的方法 | 第19-20页 |
| 2.2 中文公司实体关系抽取 | 第20-25页 |
| 2.2.1 实体关系相关介绍 | 第20-21页 |
| 2.2.2 基于模式匹配的实体关系抽取方法 | 第21-22页 |
| 2.2.3 基于特征向量的实体关系抽取方法 | 第22-23页 |
| 2.2.4 基于核函数的实体关系抽取方法 | 第23-24页 |
| 2.2.5 基于深度学习的实体关系抽取方法 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 中文公司实体识别 | 第26-41页 |
| 3.1 命名实体识别 | 第26页 |
| 3.2 现有方法的不足以及问题提出 | 第26-27页 |
| 3.3 基于规则和词典匹配以及统计机器学习融合的方法 | 第27-36页 |
| 3.3.1 分词词库的构建与扩充 | 第29-30页 |
| 3.3.2 实体识别工具选择 | 第30-31页 |
| 3.3.3 中文公司简称命名规则分析 | 第31-33页 |
| 3.3.4 候选简称选取 | 第33-34页 |
| 3.3.5 筛选与验证 | 第34-36页 |
| 3.4 实验设计以及结果分析 | 第36-39页 |
| 3.4.1 实验数据 | 第36页 |
| 3.4.2 实验评价以及指标 | 第36-37页 |
| 3.4.3 实验结果以及对比分析 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 4 中文公司实体关系抽取 | 第41-59页 |
| 4.1 现有方法的不足以及问题提出 | 第41-42页 |
| 4.2 中文公司实体关系定义 | 第42-43页 |
| 4.3 中文公司实体关系语料库构建 | 第43-44页 |
| 4.3.1 公司实体关系语料库的获取与预处理 | 第44页 |
| 4.3.2 公司实体关系语料库标注 | 第44页 |
| 4.4 基于句法分析的注意力机制融合LSTM的方法 | 第44-51页 |
| 4.4.1 词表示输入层构建 | 第45-46页 |
| 4.4.2 长短期记忆层构建 | 第46-49页 |
| 4.4.3 基于句法依存的注意力机制层构建 | 第49-51页 |
| 4.5 实验设计以及结果分析 | 第51-58页 |
| 4.5.1 实验数据 | 第51-52页 |
| 4.5.2 实验评价指标 | 第52页 |
| 4.5.3 参数设置 | 第52页 |
| 4.5.4 实验结果以及对比分析 | 第52-58页 |
| 4.6 本章小结 | 第58-59页 |
| 5 结论 | 第59-61页 |
| 5.1 结论 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |