首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

政府网站文本校对关键技术研究

摘要第5-6页
abstract第6-7页
第一章 绪论第10-15页
    1.1 研究背景与意义第10-11页
    1.2 国内外研究现状第11-13页
    1.3 主要研究内容及目的第13页
        1.3.1 主要研究内容第13页
        1.3.2 研究目的第13页
    1.4 论文组织结构第13-15页
第二章 相关理论与技术研究第15-23页
    2.1 语言模型第15-18页
        2.1.1 N元语法模型第15-16页
        2.1.2 概率图模型第16-18页
    2.2 统计自然语言处理基本任务第18-21页
        2.2.1 中文分词第18-20页
        2.2.2 命名实体识别第20-21页
    2.3 LSTM神经网络简介第21页
    2.4 本章小结第21-23页
第三章 基于统计的文本校对第23-53页
    3.1 政府网站文本特点分析第23页
    3.2 错误类型分析及研究范围第23-26页
    3.3 词典生成和模型训练第26-28页
        3.3.1 领域词典的生成第26-27页
        3.3.2 N元语言模型训练第27-28页
    3.4 “非多字词错误”校对算法第28-36页
        3.4.1 基于词典的查错算法第29-32页
        3.4.2 散串合并算法第32-33页
        3.4.3 基于最短编辑距离的纠错算法第33-36页
    3.5 “真多字词错误”校对算法第36-52页
        3.5.1 基于N元语法模型的查错第37-42页
        3.5.2 基于HMM模型纠错算法第42-48页
        3.5.3 基于词的有向无环图纠错算法第48-52页
    3.6 本章小结第52-53页
第四章 基于神经网络序列解码模型的文本校对第53-64页
    4.1 序列解码模型第53-54页
    4.2 编码和解码模型选择第54-55页
    4.3 基于LSTM的Seq2Seq中文纠错模型第55-61页
        4.3.1 Embedding层第57-58页
        4.3.2 Encoder端和Decoder端第58-60页
        4.3.3 序列解码模型的构建第60-61页
    4.4 生成训练数据集第61-63页
    4.5 本章小结第63-64页
第五章 实验结果与分析第64-81页
    5.1 实验概述第64-65页
    5.2 基于词典的校对算法实验第65-71页
        5.2.1 领域词典与校对正确率第65-69页
        5.2.2 散串合并算法第69-70页
        5.2.3 与拟基线比较第70-71页
    5.3 基于N元语法模型的查错实验第71-74页
        5.3.1 语言模型的N值选择第71-72页
        5.3.2 阈值选择第72-73页
        5.3.3 基于三元语法模型的查错率第73-74页
        5.3.4 横向比较第74页
    5.4 基于HMM模型的纠错实验第74-75页
    5.5 基于词的有向无环图的纠错实验第75-76页
    5.6 基于LSTM的序列解码模型的文本校对实验第76-78页
    5.7 校对网站功能测试第78-80页
    5.8 本章小结第80-81页
第六章 总结与展望第81-83页
    6.1 工作总结第81页
    6.2 未来展望第81-83页
致谢第83-84页
参考文献第84-87页
攻读硕士期间取得的研究成果第87页

论文共87页,点击 下载论文
上一篇:SNMP在共网家庭智能中的应用
下一篇:基于渗透测试的逻辑漏洞检测技术研究