面向社交媒体的中文词法分析研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 社交媒体词法分析研究现状 | 第9-14页 |
| 1.2.1 中文分词 | 第9-10页 |
| 1.2.2 中文词性标注 | 第10-11页 |
| 1.2.3 命名实体识别 | 第11-13页 |
| 1.2.4 其他 | 第13-14页 |
| 1.3 本文主要研究内容以及组织结构 | 第14-16页 |
| 1.3.1 论文主要研究内容 | 第14-15页 |
| 1.3.2 论文组织结构 | 第15-16页 |
| 2 基础模型与方法 | 第16-28页 |
| 2.1 序列标注问题 | 第16页 |
| 2.2 无向图模型 | 第16-18页 |
| 2.3 条件随机场模型 | 第18-21页 |
| 2.3.1 条件随机场的结构 | 第18-19页 |
| 2.3.2 条件随机场的参数化形式 | 第19-21页 |
| 2.4 神经网络序列标注方法 | 第21-24页 |
| 2.4.1 循环神经网络 | 第21-23页 |
| 2.4.2 长短时记忆网络 | 第23-24页 |
| 2.5 结合深度学习的条件随机场 | 第24-27页 |
| 2.5.1 循环神经网络条件随机场模型 | 第24-26页 |
| 2.5.2 引入了嵌入表示的条件随机场模型 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 面向社交媒体的中文分词算法 | 第28-43页 |
| 3.1 中文分词基础 | 第28-29页 |
| 3.2 社交媒体语料特点 | 第29-30页 |
| 3.3 社交媒体语料规范化及预处理 | 第30-32页 |
| 3.4 面向社交媒体的特征工程 | 第32-36页 |
| 3.4.1 结合字典资源的特征工程 | 第32-34页 |
| 3.4.2 结合新词发现的特征工程 | 第34-36页 |
| 3.5 基于循环神经网络条件随机场的中文分词模型 | 第36-38页 |
| 3.6 实验 | 第38-42页 |
| 3.6.1 实验数据 | 第38页 |
| 3.6.2 实验设置 | 第38-39页 |
| 3.6.3 结果分析 | 第39-42页 |
| 3.7 本章小结 | 第42-43页 |
| 4 面向社交媒体的命名实体识别算法 | 第43-53页 |
| 4.1 引言 | 第43-44页 |
| 4.2 任务介绍 | 第44-45页 |
| 4.2.1 基于字标注的命名实体识别 | 第44-45页 |
| 4.2.2 名词性指称与命名性指称 | 第45页 |
| 4.3 结合点互信息的特征工程 | 第45-46页 |
| 4.4 基于EMB-CRF的中文命名实体识别 | 第46-48页 |
| 4.4.1 字位置嵌入表示 | 第46-47页 |
| 4.4.2 EMB-CRF命名实体识别 | 第47-48页 |
| 4.5 实验 | 第48-52页 |
| 4.5.1 实验数据 | 第48-49页 |
| 4.5.2 实验设置 | 第49-50页 |
| 4.5.3 结果分析 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 5 总结与展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61页 |
