| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-12页 |
| 1.2.1 关系提取研究现状 | 第10-11页 |
| 1.2.2 深度学习在关系提取中的研究现状 | 第11-12页 |
| 1.3 主要研究内容与论文组织结构 | 第12-13页 |
| 第二章 相关技术与理论研究 | 第13-24页 |
| 2.1 文本表示相关方法分析 | 第13-16页 |
| 2.1.1 word2vec模型 | 第13-14页 |
| 2.1.2 CBOW模型 | 第14-15页 |
| 2.1.3 skip-gram模型 | 第15-16页 |
| 2.2 关系提取相关方法分析 | 第16-18页 |
| 2.2.1 RNN模型与CNN模型 | 第16-17页 |
| 2.2.2 LSTM模型 | 第17-18页 |
| 2.2.3 注意力机制 | 第18页 |
| 2.3 领域本体相关研究与分析 | 第18-23页 |
| 2.3.1 本体与领域本体 | 第19-20页 |
| 2.3.2 民航应急管理领域本体 | 第20-22页 |
| 2.3.3 基于本体的民航突发事件关系提取 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于注意力机制的LSTM的语义关系提取方法 | 第24-35页 |
| 3.1 模型整体设计 | 第24-25页 |
| 3.2 模型构建与训练 | 第25-30页 |
| 3.2.1 词向量的生成 | 第25-26页 |
| 3.2.2 AM_LSTM的构建 | 第26-28页 |
| 3.2.3 模型训练 | 第28-30页 |
| 3.3 模型的测试与评估 | 第30-34页 |
| 3.3.1 数据选取与参数设置 | 第30-32页 |
| 3.3.2 评价指标 | 第32页 |
| 3.3.3 测试结果与分析 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于LSTM的领域本体关系提取应用 | 第35-54页 |
| 4.1 领域本体关系提取方法设计 | 第35-36页 |
| 4.2 领域本体关系提取数据选取 | 第36-42页 |
| 4.2.1 领域本体关系定义 | 第37-39页 |
| 4.2.2 领域本体数据预处理 | 第39-42页 |
| 4.3 领域本体关系提取参数选取 | 第42-47页 |
| 4.3.1 词向量维数与池化方法选取 | 第42-43页 |
| 4.3.2 LSTM模型与激活函数选取 | 第43-46页 |
| 4.3.3 其他参数选取 | 第46-47页 |
| 4.4 领域本体关系提取效果分析 | 第47-53页 |
| 4.4.1 领域本体关系提取过程 | 第47-51页 |
| 4.4.2 实验数据与评估标准 | 第51页 |
| 4.4.3 实验效果对比与分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 工作总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 作者简介 | 第63页 |