| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 主要研究工作 | 第11-15页 |
| 1.2.1 主要研究内容 | 第11-13页 |
| 1.2.2 国内外研究现状 | 第13-15页 |
| 1.2.3 研究创新点 | 第15页 |
| 1.3 本课题研究重点及论文结构安排 | 第15-18页 |
| 第二章 序列标注问题中的相关技术 | 第18-30页 |
| 2.1 传统机器学习模型 | 第18-22页 |
| 2.1.1 支持向量机 | 第18-19页 |
| 2.1.2 隐马尔可夫模型 | 第19-21页 |
| 2.1.3 条件随机场 | 第21-22页 |
| 2.2 深度学习模型 | 第22-28页 |
| 2.2.1 长短时记忆神经网络 | 第22-24页 |
| 2.2.2 长短时记忆网络-条件随机场架构 | 第24-25页 |
| 2.2.3 双向长短时记忆网络-卷积神经网络-条件随机场架构 | 第25-27页 |
| 2.2.4 Dropout技术 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第三章 基于词哈希的英文序列标注方法研究及模型构建 | 第30-38页 |
| 3.1 词形信息在英文序列标注任务中的重要性讨论 | 第30页 |
| 3.2 词哈希方法探究 | 第30-32页 |
| 3.2.1 词袋模型 | 第30-31页 |
| 3.2.2 独热编码 | 第31页 |
| 3.2.3 词哈希方法 | 第31-32页 |
| 3.2.4 词哈希方法在获取词形信息的有效性简单讨论 | 第32页 |
| 3.3 自动编码器 | 第32-34页 |
| 3.4 基于神经网络的主模型架构 | 第34-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 英文序列标注模型的实验对比研究 | 第38-54页 |
| 4.1 数据集介绍 | 第38-41页 |
| 4.1.1 CoNLL2000数据集 | 第38-39页 |
| 4.1.2 CoNLL2003数据集 | 第39-40页 |
| 4.1.3 评价标准 | 第40页 |
| 4.1.4 对数据集进行词哈希表示存在的问题探究 | 第40-41页 |
| 4.2 自动编码器实验研究 | 第41-44页 |
| 4.2.1 词形向量特征的预学习框架及系统搭建 | 第41-42页 |
| 4.2.2 特征构建 | 第42页 |
| 4.2.3 模型训练 | 第42-43页 |
| 4.2.4 词形向量特征的可视化表示 | 第43-44页 |
| 4.3 主模型实验研究 | 第44-52页 |
| 4.3.1 主模型学习框架及系统搭建 | 第44-45页 |
| 4.3.2 特征构建与融合 | 第45-46页 |
| 4.3.3 模型训练 | 第46-47页 |
| 4.3.4 语义特征选择实验对比 | 第47-48页 |
| 4.3.5 任务特征选择实验对比 | 第48-49页 |
| 4.3.6 词形特征选择实验对比 | 第49-50页 |
| 4.3.7 词形特征对于预测未登录词的有效性分析 | 第50-51页 |
| 4.3.8 命名实体识别任务的标签选择 | 第51-52页 |
| 4.3.9 Dropout方法的有效性分析 | 第52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 常用英文序列标注模型的研究对比分析 | 第54-60页 |
| 5.1 短语识别任务与名词性短语识别任务 | 第54-55页 |
| 5.2 命名实体识别任务 | 第55-57页 |
| 5.3 模型架构对比 | 第57-58页 |
| 5.4 注意力机制技术在序列标注任务中的探讨 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文总结 | 第60-61页 |
| 6.2 对未来的展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间取得的研究成果 | 第68页 |
