| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 命名实体识别 | 第13-15页 |
| 1.2.2 实体链接 | 第15-16页 |
| 1.3 本文的主要工作 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第二章 相关理论与方法 | 第18-29页 |
| 2.1 word2vec综述 | 第18-20页 |
| 2.1.1 词向量 | 第18页 |
| 2.1.2 word2vec | 第18-20页 |
| 2.2 图论基础 | 第20-21页 |
| 2.3 相关度及重要性计算方法 | 第21-24页 |
| 2.3.1 谷歌距离 | 第21页 |
| 2.3.2 PageRank算法 | 第21-24页 |
| 2.4 维基百科知识库 | 第24-27页 |
| 2.4.1 维基百科简介 | 第24-25页 |
| 2.4.2 维基百科的特点 | 第25页 |
| 2.4.3 维基百科数据库的构建 | 第25-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 基于图的命名实体关联度模型 | 第29-45页 |
| 3.1 实体识别 | 第29页 |
| 3.2 候选实体生成 | 第29-32页 |
| 3.3 实体特征 | 第32-35页 |
| 3.3.1 候选实体文本内容与指称项文本内容的相似度 | 第33页 |
| 3.3.2 名字相似度 | 第33页 |
| 3.3.3 实体的流行度 | 第33-34页 |
| 3.3.4 候选实体的类别与待消歧文本中维基概念之间的相似度 | 第34页 |
| 3.3.5 候选实体之间的主题相关度 | 第34-35页 |
| 3.4 图的生成 | 第35-37页 |
| 3.4.1 构造顶点集合 | 第35页 |
| 3.4.2 构造边的集合 | 第35-37页 |
| 3.5 实体关联度算法 | 第37-39页 |
| 3.5.1 计算候选实体的全局关联度 | 第37-38页 |
| 3.5.2 候选实体的语义关联度 | 第38-39页 |
| 3.5.3 实体关联度排序算法 | 第39页 |
| 3.6 实验与分析 | 第39-43页 |
| 3.6.1 实验数据 | 第39-40页 |
| 3.6.2 评价方法 | 第40-41页 |
| 3.6.3 参数设置 | 第41页 |
| 3.6.4 验证 | 第41-43页 |
| 3.7 本章小结 | 第43-45页 |
| 第四章 结合深度学习和图模型的实体链接算法 | 第45-59页 |
| 4.1 神经网络 | 第45-50页 |
| 4.1.1 卷积神经网络 | 第46-48页 |
| 4.1.2 循环神经网络 | 第48-49页 |
| 4.1.3 LSTM和双向LSTM | 第49-50页 |
| 4.2 结合深度学习和图模型的实体链接算法 | 第50-54页 |
| 4.2.1 整体架构 | 第50-52页 |
| 4.2.2 Mention-context模型 | 第52-53页 |
| 4.2.3 Entity模型 | 第53-54页 |
| 4.2.4 网络训练 | 第54页 |
| 4.3 实验与分析 | 第54-57页 |
| 4.3.1 实验数据 | 第54-55页 |
| 4.3.2 验证与分析 | 第55-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |