| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 近音词识别 | 第10-11页 |
| 1.2.2 缩略语识别 | 第11-12页 |
| 1.2.3 同义词识别 | 第12页 |
| 1.2.4 命名实体识别 | 第12-13页 |
| 1.2.5 深度学习相关现状 | 第13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 2 相关理论和技术 | 第15-25页 |
| 2.1 深度神经网络 | 第15-18页 |
| 2.2 词向量模型表示 | 第18-20页 |
| 2.3 栈式自动编码器SAE | 第20-21页 |
| 2.4 模型的训练与泛化 | 第21-24页 |
| 2.4.1 反向传播算法 | 第21-23页 |
| 2.4.2 MSGD与Early Stopping | 第23-24页 |
| 2.4.3 正则项与Dropout | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于深度学习的衍生实体识别与分类 | 第25-41页 |
| 3.1 模型的输入定义 | 第27-32页 |
| 3.1.1 合并离散特征 | 第28-29页 |
| 3.1.2 人工特征设计 | 第29-31页 |
| 3.1.3 SAE编码人工特征 | 第31-32页 |
| 3.2 抽取高层特征表示 | 第32-35页 |
| 3.2.1 滑动窗口法 | 第32-34页 |
| 3.2.2 句子卷积法 | 第34-35页 |
| 3.3 模型识别与分类标注 | 第35-38页 |
| 3.3.1 实体标注模式 | 第36页 |
| 3.3.2 Softmax概率归一化 | 第36-37页 |
| 3.3.3 获取模型分类结果 | 第37-38页 |
| 3.4 模型的训练 | 第38-40页 |
| 3.4.1 模型训练策略 | 第38-39页 |
| 3.4.2 模型训练算法 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 实验结果及其分析 | 第41-54页 |
| 4.1 语料的采集与处理 | 第41-44页 |
| 4.1.1 语料的爬取与标注 | 第41-42页 |
| 4.1.2 语料的预处理 | 第42-44页 |
| 4.1.3 语料集的划分 | 第44页 |
| 4.2 实验环境与评测方法 | 第44-46页 |
| 4.2.1 实验环境概述 | 第45页 |
| 4.2.2 测试方法与评估指标 | 第45-46页 |
| 4.3 实验结果与分析 | 第46-53页 |
| 4.3.1 实验结果与基准对比 | 第46-49页 |
| 4.3.2 不同参数下实验结果对比 | 第49-51页 |
| 4.3.3 不同方法下实验结果对比 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表和录用的学术论文 | 第62-63页 |