| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-12页 |
| 1.2.1 命名实体识别研究 | 第10页 |
| 1.2.2 深度学习方法研究 | 第10-12页 |
| 1.3 瓶颈与困难分析 | 第12-14页 |
| 1.3.1 统计模型的缺陷分析 | 第12页 |
| 1.3.2 实际应用中的瓶颈 | 第12-13页 |
| 1.3.3 改进方法和思路 | 第13-14页 |
| 1.4 研究内容与文章结构 | 第14-16页 |
| 第二章 中文命名实体识别方法综述 | 第16-29页 |
| 2.1 引言 | 第16-17页 |
| 2.2 命名实体识别常用方法简介 | 第17-22页 |
| 2.2.1 基于规则的方法 | 第17页 |
| 2.2.2 基于统计的方法 | 第17-21页 |
| 2.2.3 基于深度学习的方法 | 第21-22页 |
| 2.3 BiLSTM-CRF模型设计方法介绍 | 第22-28页 |
| 2.3.1 LSTM神经网络模型 | 第23-26页 |
| 2.3.2 BiLSTM-CRF模型架构 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于BiLSTM-CNN-CRF的中文命名实体识别 | 第29-44页 |
| 3.1 引言 | 第29页 |
| 3.2 文本表示 | 第29-34页 |
| 3.2.1 word2vec模型 | 第29-34页 |
| 3.2.2 构建字符特征 | 第34页 |
| 3.3 卷积神经网络文本特征提取 | 第34-37页 |
| 3.4 BiLSTM-CNN-CRF模型的实现 | 第37-39页 |
| 3.4.1 模型架构 | 第37-38页 |
| 3.4.2 模型优化策略 | 第38-39页 |
| 3.5 实验 | 第39-43页 |
| 3.5.1 实验数据和实验环境 | 第40页 |
| 3.5.2 评价方法 | 第40-41页 |
| 3.5.3 滤波器尺寸选择 | 第41页 |
| 3.5.4 输入特征选取与分析 | 第41-42页 |
| 3.5.5 与其他算法的对比分析 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于Att-BiLSTM-CRF的中文命名实体识别 | 第44-55页 |
| 4.1 引言 | 第44页 |
| 4.2 Attention机制介绍 | 第44-50页 |
| 4.2.1 GlobalAttention | 第47-48页 |
| 4.2.2 LocalAttention | 第48-50页 |
| 4.3 Att-BiLSTM-CRF模型设计 | 第50-52页 |
| 4.3.1 Att-BiLSTM-CRF模型的构建 | 第50-51页 |
| 4.3.2 模型优化策略 | 第51-52页 |
| 4.4 实验 | 第52-53页 |
| 4.4.1 对齐函数选择 | 第52-53页 |
| 4.4.2 与其他算法的对比分析 | 第53页 |
| 4.5 本章小结 | 第53-55页 |
| 第五章 基于Att-BiLSTM-CNN-CRF的中文命名实体识别 | 第55-61页 |
| 5.1 引言 | 第55页 |
| 5.2 Att-BiLSTM-CNN-CRF模型设计 | 第55-58页 |
| 5.2.1 Att-BiLSTM-CNN-CRF模型的构建 | 第55-56页 |
| 5.2.2 优化函数 | 第56页 |
| 5.2.3 激活函数 | 第56-58页 |
| 5.3 实验 | 第58-60页 |
| 5.3.1 参数选择 | 第58-59页 |
| 5.3.2 与其他算法的对比分析 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 附录2 攻读硕士学位期间申请的专利 | 第67-68页 |
| 致谢 | 第68页 |
