| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-14页 |
| 1.2 论文组织结构 | 第14页 |
| 1.3 本论文的特色与创新之处 | 第14-16页 |
| 第二章 国内外研究现状及相关技术背景 | 第16-24页 |
| 2.1 研究现状 | 第16-19页 |
| 2.1.1 实体关系抽取 | 第16-18页 |
| 2.1.2 开放式信息抽取 | 第18-19页 |
| 2.2 相关技术背景 | 第19-23页 |
| 2.2.1 自然语言处理 | 第19-21页 |
| 2.2.2 深度学习 | 第21-23页 |
| 2.3 本章总结 | 第23-24页 |
| 第三章 支持异构规则的多级流水并行抽取框架 | 第24-34页 |
| 3.1 问题与挑战 | 第24-25页 |
| 3.2 多级流水并行抽取框架 | 第25-27页 |
| 3.2.1 规则引擎 | 第25-26页 |
| 3.2.2 抽取框架结构 | 第26-27页 |
| 3.3 面向人物属性的规则库构建 | 第27-31页 |
| 3.3.1 手动规则 | 第27-29页 |
| 3.3.2 自动规则 | 第29-31页 |
| 3.4 实验效果 | 第31-32页 |
| 3.4.1 评价指标 | 第31页 |
| 3.4.2 实验结果与分析 | 第31-32页 |
| 3.5 本章总结 | 第32-34页 |
| 第四章 基于Bi-LSTM网络的无监督属性抽取模型 | 第34-46页 |
| 4.1 深度学习在自然语言处理中的应用现状 | 第34-38页 |
| 4.1.1 RNN网络 | 第35-36页 |
| 4.1.2 LSTM网络 | 第36-37页 |
| 4.1.3 Bi-LSTM | 第37-38页 |
| 4.2 基于Bi-LSTM网络和远距离监督的属性抽取模型 | 第38-40页 |
| 4.2.1 Bi-LSTM分类模型 | 第38-39页 |
| 4.2.2 特征表达 | 第39页 |
| 4.2.3 SoftMax | 第39页 |
| 4.2.4 抽取模型 | 第39-40页 |
| 4.3 远距离监督数据标注与Bi-LSTM模型训练 | 第40-42页 |
| 4.3.1 远距离监督数据标注 | 第40-41页 |
| 4.3.2 Bi-LSTM模型训练 | 第41-42页 |
| 4.4 实验验证 | 第42-44页 |
| 4.4.1 实验环境 | 第42页 |
| 4.4.2 实验数据 | 第42-43页 |
| 4.4.3 评价指标 | 第43页 |
| 4.4.4 结果与分析 | 第43-44页 |
| 4.5 本章总结 | 第44-46页 |
| 第五章 总结和展望 | 第46-48页 |
| 5.1 总结 | 第46-47页 |
| 5.2 展望 | 第47-48页 |
| 致谢 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 作者在学期间取得的学术成果 | 第54页 |
