| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题来源、背景及意义 | 第9-10页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 课题背景 | 第9-10页 |
| 1.1.3 课题意义 | 第10页 |
| 1.2 国内外研究进展及成果 | 第10-12页 |
| 1.3 本文的主要研究内容 | 第12页 |
| 1.4 本文结构安排 | 第12-13页 |
| 第2章 中文词法分析简介 | 第13-22页 |
| 2.1 任务简介 | 第13-18页 |
| 2.1.1 中文分词 | 第13-15页 |
| 2.1.2 词性标注 | 第15-16页 |
| 2.1.3 命名实体识别 | 第16-18页 |
| 2.2 已有系统调研 | 第18-20页 |
| 2.2.1 Stanford CoreNLP | 第18页 |
| 2.2.2 LTP | 第18-19页 |
| 2.2.3 THULAC | 第19页 |
| 2.2.4 SENNA | 第19页 |
| 2.2.5 速度和内存消耗评测 | 第19-20页 |
| 2.3 本章小结 | 第20-22页 |
| 第3章 基于神经网络的序列标注方法 | 第22-38页 |
| 3.1 层次化的网络结构 | 第22页 |
| 3.2 输入层 | 第22-26页 |
| 3.2.1 将离散特征映射为向量表示 | 第22-23页 |
| 3.2.2 初始化离散特征对应的向量表示 | 第23-26页 |
| 3.2.3 在网络中使用离散特征的向量表示 | 第26页 |
| 3.3 表示学习层 | 第26-34页 |
| 3.3.1 基于窗口的方法 | 第27-29页 |
| 3.3.2 基于循环神经网络的方法 | 第29-34页 |
| 3.4 标签预测层 | 第34-37页 |
| 3.4.1 各任务标签集合 | 第34页 |
| 3.4.2 基于分类的标签预测 | 第34-35页 |
| 3.4.3 考虑前一个标签的标签预测 | 第35-36页 |
| 3.4.4 全局最优的标签预测 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 在中文词法分析任务上探索网络结构的实验 | 第38-70页 |
| 4.1 基本设置 | 第38-41页 |
| 4.2 中文分词 | 第41-55页 |
| 4.2.1 固定窗口下神经网络与CRFs效果对比 | 第41-46页 |
| 4.2.2 在基于窗口的神经网络方法中加入特征 | 第46-48页 |
| 4.2.3 去除解码过程中的标签限制 | 第48-49页 |
| 4.2.4 基于循环神经网络的模型效果 | 第49-53页 |
| 4.2.5 在基于循环神经网络的结构中加入更多特征 | 第53-54页 |
| 4.2.6 各方法结果对比 | 第54-55页 |
| 4.3 词性标注 | 第55-65页 |
| 4.3.1 基于窗口的模型效果 | 第55-56页 |
| 4.3.2 基于RNN的模型效果 | 第56-57页 |
| 4.3.3 尝试使用预训练的词嵌入提升基于RNN的模型效果 | 第57-58页 |
| 4.3.4 加入词前后缀特征 | 第58-62页 |
| 4.3.5 改变特征组合方法 | 第62-64页 |
| 4.3.6 尝试其他RNN单元 | 第64-65页 |
| 4.3.7 各方法结果对比 | 第65页 |
| 4.4 命名实体识别 | 第65-67页 |
| 4.4.1 以随机初始化的词嵌入作为输入 | 第65-66页 |
| 4.4.2 在输入层引入预训练的词嵌入 | 第66-67页 |
| 4.4.3 结果对比 | 第67页 |
| 4.5 实验总结 | 第67-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第5章 基于神经网络的中文词法分析系统实现 | 第70-79页 |
| 5.1 开发语言及开发工作流 | 第70页 |
| 5.2 系统代码结构 | 第70-75页 |
| 5.2.1 字符处理模块 | 第71-73页 |
| 5.2.2 结构参数模块 | 第73页 |
| 5.2.3 神经网络模块 | 第73-74页 |
| 5.2.4 控制流模块 | 第74-75页 |
| 5.3 在系统实现中所使用的模型结构 | 第75-77页 |
| 5.4 速度评测 | 第77-78页 |
| 5.5 本章小结 | 第78-79页 |
| 结论 | 第79-81页 |
| 参考文献 | 第81-87页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第87-89页 |
| 致谢 | 第89页 |