| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外相关研究和综述 | 第9-14页 |
| 1.2.1 知识图谱构建研究现状 | 第9-11页 |
| 1.2.2 命名实体识别研究现状 | 第11-13页 |
| 1.2.3 关系抽取研究现状 | 第13-14页 |
| 1.3 问题的总结与分析 | 第14-15页 |
| 1.4 本文的主要工作 | 第15-16页 |
| 1.5 本文组织结构 | 第16-18页 |
| 第2章 相关基础知识介绍 | 第18-29页 |
| 2.1 条件随机场模型 | 第18-20页 |
| 2.2 主动学习算法 | 第20-21页 |
| 2.3 循环神经网络模型 | 第21-25页 |
| 2.3.1 RNN网络模型 | 第21-22页 |
| 2.3.2 长短期记忆网络 | 第22-24页 |
| 2.3.3 双向LSTM网络 | 第24-25页 |
| 2.4 深度随机森林算法 | 第25-27页 |
| 2.4.1 随机森林算法 | 第25页 |
| 2.4.2 多粒度级联森林 | 第25-27页 |
| 2.5 常用评价指标 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 金融领域命名实体识别方法研究 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 数据源获取及数据预处理 | 第29-32页 |
| 3.2.1 预标注 | 第30-31页 |
| 3.2.2 众包标注平台 | 第31-32页 |
| 3.3 基于主动学习策略的CRF算法 | 第32-36页 |
| 3.3.1 特征构造 | 第32-34页 |
| 3.3.2 主动学习方案 | 第34-36页 |
| 3.4 BiLSTM基准算法及改进 | 第36-40页 |
| 3.4.1 BiLSTM算法实现 | 第36-37页 |
| 3.4.2 基于领域词向量的BiLSTM-CRF算法 | 第37-40页 |
| 3.5 实验结果与分析 | 第40-44页 |
| 3.5.1 实验设置 | 第40页 |
| 3.5.2 结果分析 | 第40-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 金融领域关系抽取方法研究 | 第45-60页 |
| 4.1 引言 | 第45页 |
| 4.2 金融知识图谱关系定义 | 第45-46页 |
| 4.3 数据预处理方法 | 第46-48页 |
| 4.4 面向关系抽取的深度森林模型 | 第48-52页 |
| 4.4.1 特征工程 | 第48-51页 |
| 4.4.2 算法设计 | 第51-52页 |
| 4.5 实验结果与分析 | 第52-59页 |
| 4.5.1 实验设置 | 第52-53页 |
| 4.5.2 结果分析 | 第53-59页 |
| 4.6 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67页 |