基于深度学习的在线健康文献食材命名实体识别
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 主要工作及贡献 | 第13-14页 |
| 1.4 本文组织结构 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 深度学习与自然语言处理 | 第15-34页 |
| 2.1 深度学习的兴起 | 第15-16页 |
| 2.2 深度学习在自然语言处理上的应用 | 第16-21页 |
| 2.2.1 词向量 | 第16-18页 |
| 2.2.2 word2vec | 第18-21页 |
| 2.3 常用的深度学习模型及技术 | 第21-32页 |
| 2.3.1 CNN | 第21-23页 |
| 2.3.2 LSTM | 第23-27页 |
| 2.3.3 Dropout | 第27-28页 |
| 2.3.4 激活函数 | 第28-30页 |
| 2.3.5 梯度下降法 | 第30-32页 |
| 2.4 常用的深度学习框架 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 命名实体识别主要方法 | 第34-43页 |
| 3.1 传统方法 | 第34-37页 |
| 3.1.1 基于规则与词典 | 第34页 |
| 3.1.2 基于统计方法 | 第34-37页 |
| 3.2 深度学习方法 | 第37-42页 |
| 3.2.1 CNN-CRF方法 | 第37-40页 |
| 3.2.2 BiLSTM-CRF | 第40-41页 |
| 3.2.3 BLSTM-CNN-CRF | 第41-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第4章 在线健康文献食材命名实体识别的设计与实现 | 第43-55页 |
| 4.1 实体语料库构建 | 第43-45页 |
| 4.2 算法简述 | 第45-48页 |
| 4.2.1 GRU | 第46页 |
| 4.2.2 CWRNN | 第46-47页 |
| 4.2.3 双向循环神经网络 | 第47-48页 |
| 4.3 算法网络结构 | 第48-51页 |
| 4.4 CNN-CW-CRF的训练和测试 | 第51-53页 |
| 4.5 CNNGRU-CRF的训练和测试 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 实验结果及分析 | 第55-63页 |
| 5.1 实验设置 | 第55-56页 |
| 5.1.1 实验环境 | 第55页 |
| 5.1.2 评测标准 | 第55-56页 |
| 5.2 实验对比 | 第56-61页 |
| 5.2.1 模型对比 | 第56-57页 |
| 5.2.2 不同数据量对比 | 第57-59页 |
| 5.2.3 词向量优化对比 | 第59-60页 |
| 5.2.4 不同循环神经网络结构对比 | 第60页 |
| 5.2.5 CNN-CW-CRF不同时钟周期对比 | 第60-61页 |
| 5.3 实验分析 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读博士/硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 附件 | 第72页 |
