| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 引言 | 第12-19页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究难点 | 第13-14页 |
| 1.3 研究现状 | 第14-17页 |
| 1.3.1 相关测评会议 | 第14页 |
| 1.3.2 相关工作 | 第14-17页 |
| 1.4 本文的主要工作 | 第17-18页 |
| 1.5 本文的组织结构 | 第18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 相关理论知识 | 第19-28页 |
| 2.1 概率图模型 | 第19-22页 |
| 2.1.1 贝叶斯网络 | 第19-20页 |
| 2.1.2 马尔可夫随机场 | 第20-21页 |
| 2.1.3 隐狄利克雷分布 | 第21-22页 |
| 2.2 深度学习 | 第22-26页 |
| 2.2.1 前馈神经网络 | 第22-24页 |
| 2.2.2 词向量 | 第24-26页 |
| 2.3 多任务学习 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于单一模型的中文命名实体识别 | 第28-39页 |
| 3.1 基于隐马尔可夫的中文命名实体识别 | 第28-29页 |
| 3.2 基于最大熵的中文命名实体识别 | 第29-31页 |
| 3.3 基于最大熵马尔可夫的中文命名实体识别 | 第31-32页 |
| 3.4 基于条件随机场的中文命名实体识别 | 第32-35页 |
| 3.5 基于双向循环神经网络的中文命名实体识别 | 第35-37页 |
| 3.6 基于单一模型的方法比较 | 第37-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第4章 基于混合模型与多任务学习的中文命名实体识别 | 第39-51页 |
| 4.1 基于混合模型的中文命名实体识别算法 | 第39-45页 |
| 4.1.1 模型定义 | 第39-43页 |
| 4.1.2 模型训练 | 第43-45页 |
| 4.1.3 预测算法 | 第45页 |
| 4.2 基于混合模型与多任务学习的中文命名实体识别算法 | 第45-50页 |
| 4.2.1 基于单源数据的多任务学习 | 第47-49页 |
| 4.2.2 基于多源数据的多任务学习 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第5章 引入字词向量与样本生成的中文命名实体识别 | 第51-61页 |
| 5.1 引入字向量与词向量的中文命名实体识别 | 第51-52页 |
| 5.2 基于新词发现的词向量获取 | 第52-55页 |
| 5.3 基于关键词提取的中文分词置信度确立 | 第55-58页 |
| 5.3.1 基于统计的中文分词置信度确立 | 第56页 |
| 5.3.2 基于图的中文分词置信度确立 | 第56-57页 |
| 5.3.3 基于主题模型的中文分词置信度确立 | 第57页 |
| 5.3.4 基于模型组合的中文分词置信度确立 | 第57-58页 |
| 5.4 基于实体词替换的样本生成 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 实验 | 第61-75页 |
| 6.1 实验数据 | 第61-64页 |
| 6.2 实验设计 | 第64-68页 |
| 6.2.1 标注方式 | 第64-65页 |
| 6.2.2 评价指标 | 第65页 |
| 6.2.3 实验方案 | 第65-66页 |
| 6.2.4 参数设置 | 第66-68页 |
| 6.3 实验结果与分析 | 第68-74页 |
| 6.4 本章小结 | 第74-75页 |
| 第7章 总结与展望 | 第75-77页 |
| 7.1 工作总结 | 第75-76页 |
| 7.2 未来展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士学位期间主要的研究成果 | 第81-82页 |
| 致谢 | 第82页 |