| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 命名实体识别研究现状 | 第11-12页 |
| 1.2.2 实体对齐方法研究现状 | 第12-13页 |
| 1.2.3 医疗健康领域研究现状 | 第13-14页 |
| 1.3 本文研究的主要内容 | 第14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第2章 实体抽取与对照表的构建 | 第16-32页 |
| 2.1 引言 | 第16页 |
| 2.2 语料获取及分析 | 第16-21页 |
| 2.2.1 网页抽取原理及流程 | 第16-19页 |
| 2.2.2 数据统计 | 第19-20页 |
| 2.2.3 任务介绍 | 第20-21页 |
| 2.3 面向医疗领域的命名实体识别 | 第21-27页 |
| 2.3.1 数据来源 | 第21-23页 |
| 2.3.2 基于双向LSTM的NER模型构建 | 第23-27页 |
| 2.4 实体对照库的构建 | 第27-31页 |
| 2.4.1 构建方法介绍 | 第27-30页 |
| 2.4.2 对照表数据统计 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于无监督的实体对齐方法研究 | 第32-51页 |
| 3.1 引言 | 第32页 |
| 3.2 候选实体选取方法 | 第32-34页 |
| 3.2.1 实体指称项扩展 | 第32-33页 |
| 3.2.2 候选实体的筛选 | 第33-34页 |
| 3.3 词向量训练 | 第34-38页 |
| 3.3.1 词的独热表示(one-hotrepresentation) | 第34页 |
| 3.3.2 词的分布式表示(distributedrepresentation) | 第34-38页 |
| 3.4 基于成对实体相似性的对齐方法 | 第38-40页 |
| 3.5 基于词嵌入的对齐方法 | 第40-42页 |
| 3.6 基于图游走的关联对齐方法 | 第42-44页 |
| 3.7 实验结果与评价 | 第44-50页 |
| 3.8 本章小结 | 第50-51页 |
| 第4章 基于有监督的实体对齐方法研究 | 第51-65页 |
| 4.1 引言 | 第51-52页 |
| 4.2 训练数据构建方法 | 第52-54页 |
| 4.2.1 数据正反例构造方案 | 第52-53页 |
| 4.2.2 描述文本提取方案 | 第53-54页 |
| 4.3 基于深度学习的对齐方法 | 第54-58页 |
| 4.3.1 模型介绍 | 第54-57页 |
| 4.3.2 本文训练方案 | 第57-58页 |
| 4.4 基于双通道的深度学习改进方法 | 第58-61页 |
| 4.5 实验结果与评价 | 第61-63页 |
| 4.5.1 实验参数设置 | 第61页 |
| 4.5.2 深度学习模型实验结果比较 | 第61-63页 |
| 4.6 本章小结 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间发表的论文及其他研究成果 | 第72-74页 |
| 致谢 | 第74页 |