| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-11页 |
| Contents | 第11-15页 |
| 第1章 绪论 | 第15-35页 |
| 1.1 课题来源及研究的背景和意义 | 第15-17页 |
| 1.1.1 课题的研究背景 | 第15-16页 |
| 1.1.2 课题的研究意义 | 第16-17页 |
| 1.2 国内外信息抽取领域的研究现状 | 第17-20页 |
| 1.2.1 国外研究现状 | 第17-18页 |
| 1.2.2 国内研究现状 | 第18-20页 |
| 1.3 信息抽取相关工作 | 第20-24页 |
| 1.3.1 任务定义 | 第20-22页 |
| 1.3.2 信息抽取的评价标准 | 第22页 |
| 1.3.3 信息抽取的主要方法 | 第22-24页 |
| 1.4 深度置信网络的相关工作 | 第24-35页 |
| 1.4.1 深度学习的方法 | 第24-26页 |
| 1.4.2 深度置信网络 | 第26-27页 |
| 1.4.3 受限玻尔兹曼机 | 第27-29页 |
| 1.4.4 对比散度准则 | 第29-31页 |
| 1.4.5 反向传播网络的介绍 | 第31-32页 |
| 1.4.6 本文的内容安排 | 第32-35页 |
| 第2章 基于深度置信网络的实体检测与识别 | 第35-70页 |
| 2.1 引言 | 第35-36页 |
| 2.2 相关研究与方法 | 第36页 |
| 2.3 基于细粒度分词和字特征的模型 | 第36-40页 |
| 2.3.1 中文分词结果的组合 | 第36-38页 |
| 2.3.2 词特征与字特征 | 第38页 |
| 2.3.3 深度置信网络与其他机器学习算法的比较说明 | 第38-39页 |
| 2.3.4 模型的框架说明 | 第39-40页 |
| 2.4 实体检测 | 第40-55页 |
| 2.4.1 特征提取 | 第40-41页 |
| 2.4.2 标记设置说明 | 第41-42页 |
| 2.4.3 确定上下文特征的窗口数量 | 第42-43页 |
| 2.4.4 基于浅层结构的置信网络的实体检测 | 第43-46页 |
| 2.4.5 基于深层结构的置信网络网络的实体检测 | 第46-52页 |
| 2.4.6 深度置信网络与其他机器学习模型的实体检测结果对比 | 第52-55页 |
| 2.5 实体识别 | 第55-60页 |
| 2.5.1 特征提取 | 第57-58页 |
| 2.5.2 实验结果与分析 | 第58-60页 |
| 2.6 实体检测与识别的组合模型 | 第60-68页 |
| 2.6.1 基于浅层结构的置信网络实体检测和识别 | 第62-63页 |
| 2.6.2 基于深层结构的置信网络的实体检测和识别 | 第63-66页 |
| 2.6.3 深度置信网络与其他机器学习模型的实体检测与识别结果对比 | 第66-68页 |
| 2.7 本章小结 | 第68-70页 |
| 第3章 维特比算法对深度置信网络的实体检测与识别结果的后处理 | 第70-90页 |
| 3.1 引入维特比后处理的动机 | 第70页 |
| 3.2 维特比算法介绍 | 第70-73页 |
| 3.3 维特比算法对实体检测任务进行后处理 | 第73-79页 |
| 3.3.1 实际概率的维特比后处理 | 第73-76页 |
| 3.3.2 二元概率的维特比后处理 | 第76-79页 |
| 3.4 维特比算法对实体检测与识别任务进行后处理 | 第79-87页 |
| 3.4.1 实际概率的维特比后处理 | 第80-84页 |
| 3.4.2 二元概率的维特比后处理 | 第84-87页 |
| 3.5 本章小结 | 第87-90页 |
| 第4章 基于深度置信网络的实体关系检测与识别 | 第90-116页 |
| 4.1 引言 | 第90-91页 |
| 4.2 相关研究方法 | 第91-92页 |
| 4.3 基于深度置信网络的实体关系检测与识别模型 | 第92-95页 |
| 4.3.1 特征提取 | 第92-94页 |
| 4.3.2 关系实例的标记设置 | 第94页 |
| 4.3.3 基于深度置信网络的实体关系检测与识别的模型框架说明 | 第94-95页 |
| 4.4 实体关系检测 | 第95-103页 |
| 4.4.1 基于浅层结构的置信网络的实体关系检测 | 第95-99页 |
| 4.4.2 基于深层结构的置信网络的实体关系检测 | 第99-102页 |
| 4.4.3 深度置信网络与其他机器学习模型的实体关系检测结果对比 | 第102-103页 |
| 4.5 实体关系识别 | 第103-105页 |
| 4.6 实体关系检测与识别的组合模型 | 第105-114页 |
| 4.6.1 基于浅层结构的置信网络的实体关系检测与识别 | 第107-109页 |
| 4.6.2 基于深层结构的置信网络的实体关系检测与识别 | 第109-113页 |
| 4.6.3 深度置信网络与其他机器学习模型的实体关系检测和识别 | 第113-114页 |
| 4.7 本章小结 | 第114-116页 |
| 第5章 改进的深度置信网络在中文信息抽取任务中的运用 | 第116-129页 |
| 5.1 引言 | 第116-117页 |
| 5.2 交替无监督学习过程和有监督学习过程的深度置信网络 | 第117-121页 |
| 5.2.1 模型描述 | 第117页 |
| 5.2.2 在实体检测与识别任务中的运用 | 第117-121页 |
| 5.3 多层有监督学习的深度置信网络 | 第121-126页 |
| 5.3.1 模型描述 | 第121-122页 |
| 5.3.2 在实体检测与识别任务中的运用 | 第122-126页 |
| 5.4 利用改进的深度置信网络网络进行实体关系检测与识别 | 第126-127页 |
| 5.5 本章小结 | 第127-129页 |
| 结论 | 第129-132页 |
| 参考文献 | 第132-144页 |
| 攻读博士学位期间发表的论文及其他成果 | 第144-146页 |
| 致谢 | 第146-148页 |
| 个人简历 | 第148页 |
