基于级联神经网络的命名实体识别深度训练技术
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第10-17页 |
1.1 课题背景及意义 | 第10-11页 |
1.2 研究现状 | 第11-14页 |
1.2.1 外文命名实体识别的研究现状 | 第11-12页 |
1.2.2 中文命名实体识别的难点 | 第12-13页 |
1.2.3 中文命名实体识别的研究现状 | 第13-14页 |
1.3 本文研究内容及论文结构 | 第14-17页 |
第二章 人工神经网络与命名实体识别 | 第17-28页 |
2.1 命名实体识别概述 | 第17-18页 |
2.2 命名实体识别的常用方法 | 第18-22页 |
2.2.1 隐马尔可夫模型 | 第19-20页 |
2.2.2 支持向量机模型 | 第20-21页 |
2.2.3 条件随机场模型 | 第21-22页 |
2.3 人工神经网络 | 第22-26页 |
2.3.1 理论基础 | 第22-23页 |
2.3.2 前馈神经网络 | 第23-24页 |
2.3.3 反馈神经网络 | 第24-25页 |
2.3.4 误差逆向传播算法 | 第25-26页 |
2.3.5 深度学习 | 第26页 |
2.4 本文研究思路与实验方案 | 第26-27页 |
2.5 本章小结 | 第27-28页 |
第三章 词向量及语言模型 | 第28-39页 |
3.1 词向量与语言模型 | 第28-29页 |
3.2 常见的统计语言模型 | 第29-37页 |
3.2.1 N-gram(n元模型) | 第29-30页 |
3.2.2 神经网络语言模型(NNLM) | 第30-31页 |
3.2.3 Log双线性语言模型(LBL) | 第31-32页 |
3.2.4 C&W的SENNA | 第32-33页 |
3.2.5 CBOW模型和Skip-gram模型 | 第33-34页 |
3.2.6 GloVe模型 | 第34页 |
3.2.7 从RNNLM到LSTM | 第34-36页 |
3.2.8 SEQ2SEQ | 第36-37页 |
3.3 模型的评估 | 第37-38页 |
3.4 本章小结 | 第38-39页 |
第四章 基于前馈神经网络的中文命名实体识别 | 第39-53页 |
4.1 模型整体架构 | 第39-40页 |
4.2 预处理 | 第40-41页 |
4.3 基本词面的向量化训练模块 | 第41-44页 |
4.3.1 语义距离的刻画 | 第41-42页 |
4.3.2 目标函数的构建 | 第42-43页 |
4.3.3 模型参数的训练 | 第43-44页 |
4.4 特征向量表示模块 | 第44-46页 |
4.4.1 中文命名实体的特征 | 第44-45页 |
4.4.2 PCA提取词特征向量 | 第45-46页 |
4.5 基于前馈全连接神经网络的命名实体识别 | 第46-49页 |
4.5.1 输入向量的获得方式 | 第47页 |
4.5.2 分类模型的实现 | 第47-48页 |
4.5.3 模型参数的训练 | 第48-49页 |
4.6 模型测试 | 第49-50页 |
4.7 实验与分析 | 第50-52页 |
4.7.1 实验数据 | 第50页 |
4.7.2 评价标准 | 第50-51页 |
4.7.3 实验结果及分析 | 第51-52页 |
4.8 本章小结 | 第52-53页 |
第五章 基于LSTM的中文命名实体识别 | 第53-61页 |
5.1 长短期记忆神经网络LSTM | 第53-56页 |
5.2 基于LSTM的中文命名实体识别架构 | 第56-58页 |
5.3 实验与分析 | 第58-60页 |
5.3.1 实验数据 | 第58页 |
5.3.2 评价标准 | 第58页 |
5.3.3 实验结果分析 | 第58-60页 |
5.4 本章小结 | 第60-61页 |
第六章 中文命名实体识别的原型系统设计 | 第61-69页 |
6.1 系统开发所用的技术和工具 | 第61-62页 |
6.2 系统主要功能 | 第62页 |
6.3 系统整体架构 | 第62-63页 |
6.4 系统各模块功能的实现 | 第63-68页 |
6.4.1 系统主体界面 | 第63-64页 |
6.4.2 文本读取模块 | 第64-65页 |
6.4.3 预处理模块 | 第65页 |
6.4.4 词向量训练模块 | 第65-66页 |
6.4.5 命名实体识别模块 | 第66-67页 |
6.4.6 结果显示模块 | 第67-68页 |
6.5 本章小结 | 第68-69页 |
结论 | 第69-71页 |
参考文献 | 第71-74页 |
附录1 攻读硕士学位期间撰写的论文 | 第74-75页 |
致谢 | 第75页 |