| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题研究背景与意义 | 第9-11页 |
| 1.2 相关工作研究现状 | 第11-17页 |
| 1.2.1 命名实体识别研究现状 | 第11-12页 |
| 1.2.2 深度学习在自然语言处理领域的研究现状 | 第12-15页 |
| 1.2.3 医疗领域的命名实体识别研究现状 | 第15-17页 |
| 1.3 本文主要研究内容 | 第17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第2章 基于LSTM的单一领域命名实体识别 | 第19-45页 |
| 2.1 深度学习的神经网络模型 | 第19-27页 |
| 2.1.1 前馈神经网络（FNN） | 第19-22页 |
| 2.1.2 循环神经网络（RNN） | 第22-23页 |
| 2.1.3 长短期存储单元（LSTM） | 第23-26页 |
| 2.1.4 双向LSTM（BLSTM） | 第26-27页 |
| 2.2 利用条件随机场模型进行命名实体识别 | 第27-29页 |
| 2.3 基于LSTM的NER模型构建 | 第29-35页 |
| 2.3.1 整体架构 | 第29-30页 |
| 2.3.2 窗口连接 | 第30-32页 |
| 2.3.3 Dropout加入 | 第32-33页 |
| 2.3.4 引入转移代价的代价计算 | 第33-35页 |
| 2.4 基于LSTM的NER实现 | 第35-38页 |
| 2.4.1 Theano简介 | 第35-36页 |
| 2.4.2 Mini-batch批量训练 | 第36-37页 |
| 2.4.3 实验参数介绍 | 第37-38页 |
| 2.5 基于LSTM的单一领域NER实验 | 第38-43页 |
| 2.5.1 实验设置 | 第38-39页 |
| 2.5.2 医疗领域的LSTM实验 | 第39-41页 |
| 2.5.3 医疗领域的实际应用测试 | 第41-43页 |
| 2.6 本章小结 | 第43-45页 |
| 第3章 融合外部信息的跨领域的命名实体识别 | 第45-54页 |
| 3.1 深度学习中的迁移学习 | 第45-46页 |
| 3.2 深度学习中的预训练技巧 | 第46-48页 |
| 3.3 融合外部信息的跨领域的命名实体识别 | 第48-52页 |
| 3.3.1 实验设置 | 第49-50页 |
| 3.3.2 融合外部信息的跨领域的命名实体识别 | 第50-52页 |
| 3.4 本章小结 | 第52-54页 |
| 第4章 领域自适应的弱监督命名实体识别研究 | 第54-61页 |
| 4.1 探究新闻领域和医疗领域语料的差异程度和影响 | 第54-57页 |
| 4.1.1 实验设置 | 第55页 |
| 4.1.2 探究新闻领域和医疗领域差异的对比实验 | 第55-57页 |
| 4.2 基于GBDT模型的弱监督的命名实体识别研究 | 第57-60页 |
| 4.2.1 梯度优化决策树（GBDT）模型 | 第58页 |
| 4.2.2 基于GBDT模型的弱监督的命名实体识别研究 | 第58-60页 |
| 4.3 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间发表的学术论文及其他成果 | 第68-70页 |
| 致谢 | 第70-71页 |
