基于深度学习的命名实体识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 相关研究现状 | 第12-17页 |
| 1.2.1 传统方法的研究现状 | 第12-14页 |
| 1.2.2 基于深度学习的研究现状 | 第14-17页 |
| 1.2.3 研究现状小结 | 第17页 |
| 1.3 研究内容 | 第17-18页 |
| 1.4 论文结构 | 第18-19页 |
| 第二章 相关技术介绍 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 命名实体识别的标签体系 | 第19页 |
| 2.3 循环神经网络 | 第19-23页 |
| 2.3.1 RNN | 第20-21页 |
| 2.3.2 LSTM | 第21-23页 |
| 2.4 卷积神经网络 | 第23-27页 |
| 2.4.1 卷积层 | 第23-25页 |
| 2.4.2 池化层 | 第25-26页 |
| 2.4.3 CNN处理自然语言例子 | 第26-27页 |
| 2.5 词向量 | 第27-31页 |
| 2.5.1 语言模型 | 第28-29页 |
| 2.5.2 word2vec | 第29-30页 |
| 2.5.3 基于字符的神经语言模型 | 第30-31页 |
| 2.6 注意力机制 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第三章 句子级别的命名实体识别模型框架 | 第33-52页 |
| 3.1 引言 | 第33页 |
| 3.2 模型基础框架的整体架构 | 第33-34页 |
| 3.3 输入层 | 第34-37页 |
| 3.3.1 词向量层 | 第34页 |
| 3.3.2 字符编码层 | 第34-36页 |
| 3.3.3 额外特征 | 第36-37页 |
| 3.4 编码层 | 第37-39页 |
| 3.4.1 基于双向循环神经网络的编码层 | 第37-38页 |
| 3.4.2 基于卷积神经网络的编码层 | 第38-39页 |
| 3.5 输出层 | 第39-41页 |
| 3.5.1 softmax层 | 第39-40页 |
| 3.5.2 CRF层 | 第40-41页 |
| 3.6 实验 | 第41-51页 |
| 3.6.1 实验内容与目的 | 第41页 |
| 3.6.2 数据集 | 第41-43页 |
| 3.6.3 评价指标 | 第43页 |
| 3.6.4 实验细节 | 第43-47页 |
| 3.6.5 实验结果与分析 | 第47-51页 |
| 3.6.6 实验小结 | 第51页 |
| 3.7 本章小结 | 第51-52页 |
| 第四章 引入句法信息的命名实体识别模型 | 第52-63页 |
| 4.1 引言 | 第52页 |
| 4.2 成分句法分析与依存句法分析 | 第52-53页 |
| 4.3 线性编码成分句法树 | 第53-55页 |
| 4.4 句法图卷积编码依存句法树 | 第55-58页 |
| 4.4.1 图卷积神经网络 | 第55-56页 |
| 4.4.2 句法图卷积 | 第56-58页 |
| 4.5 实验 | 第58-62页 |
| 4.5.1 实验内容与目的 | 第58页 |
| 4.5.2 实验细节 | 第58-59页 |
| 4.5.3 实验结果与分析 | 第59-62页 |
| 4.5.4 实验小结 | 第62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 引入文档注意力的命名实体识别模型 | 第63-73页 |
| 5.1 引言 | 第63页 |
| 5.2 标注不一致问题 | 第63-64页 |
| 5.3 模型介绍 | 第64-67页 |
| 5.4 实验 | 第67-72页 |
| 5.4.1 实验内容与目的 | 第67页 |
| 5.4.2 实验细节 | 第67-68页 |
| 5.4.3 实验结果与分析 | 第68-71页 |
| 5.4.4 实验小结 | 第71-72页 |
| 5.5 本章小结 | 第72-73页 |
| 总结与展望 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |
