| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 中文分词模型 | 第11页 |
| 1.2.2 事件文本特征提取 | 第11-12页 |
| 1.3 论文的主要工作和内容安排 | 第12-14页 |
| 第二章 神经网络机器翻译模型(NMT) | 第14-25页 |
| 2.1 WORD2VEC词向量 | 第14-18页 |
| 2.1.1 VSM向量空间模型 | 第15页 |
| 2.1.2 语言模型 | 第15-16页 |
| 2.1.3 神经网络语言模型 | 第16-18页 |
| 2.2 循环神经网络和LSTM单元 | 第18-20页 |
| 2.2.1 循环神经网络(RNN) | 第18-19页 |
| 2.2.2 长短期记忆隐层(LSTM) | 第19-20页 |
| 2.2.3 双向循环神经网络(Bi-RNN) | 第20页 |
| 2.3 神经网络机器翻译模型 | 第20-24页 |
| 2.3.1 利用RNN神经网络进行序列生成 | 第20-21页 |
| 2.3.2 神经网络机器翻译模型(NMT) | 第21-22页 |
| 2.3.3 带有注意力机制(Attention mechanism)的神经网络机器翻译模型 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于神经网络翻译模型的中文语义分词 | 第25-41页 |
| 3.1 传统的中文分词方法 | 第25-27页 |
| 3.1.1 一元分词法 | 第25-26页 |
| 3.1.2 Max-match分词法 | 第26页 |
| 3.1.3 基于传统机器学习的中文分词法 | 第26-27页 |
| 3.2 基于神经网络机器翻译模型的中文分词器 | 第27-31页 |
| 3.2.1 LSTM神经网络结构 | 第29-31页 |
| 3.3 模型参数 | 第31-33页 |
| 3.4 结果与分析 | 第33-39页 |
| 3.4.1 机器翻译BLEU评价方法 | 第34-35页 |
| 3.4.2 实验结果 | 第35-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于MONOSTACKED-BI-LSTM-CRF模型的文本事件特征提取 | 第41-56页 |
| 4.1 文本事件特征 | 第41-44页 |
| 4.1.1 定义 | 第41-42页 |
| 4.1.2 命名实体识别 | 第42-43页 |
| 4.1.3 BIO标注方法 | 第43-44页 |
| 4.1.4 BIOES标注方法 | 第44页 |
| 4.2 命名实体识别的序列标注方法 | 第44-48页 |
| 4.2.1 基于规则和词典的方法 | 第44-45页 |
| 4.2.2 基于传统机器学习的方法 | 第45页 |
| 4.2.3 隐含马尔科夫模型(HMM) | 第45-46页 |
| 4.2.4 最大熵马尔科夫模型(MEMM) | 第46-47页 |
| 4.2.5 条件随机场(CRF) | 第47-48页 |
| 4.3 基于深度学习的序列标注 | 第48-51页 |
| 4.3.1 LSTM模型 | 第48-49页 |
| 4.3.2 LSTM-CRF模型 | 第49-50页 |
| 4.3.3 Bi-LSTM-CRF模型 | 第50-51页 |
| 4.4 MONOSTACKED-BI-LSTM-CRF命名实体识别模型 | 第51-52页 |
| 4.5 模型参数 | 第52-53页 |
| 4.6 实验结果和分析 | 第53-55页 |
| 4.6.1 层叠单向LSTM神经网络数量影响 | 第53-54页 |
| 4.6.2 与其他模型的性能比较 | 第54-55页 |
| 4.7 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
| 作者攻读学位期间发表的学术论文目录 | 第66页 |
