面向新闻的发生地抽取研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 课题的研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 事件提取 | 第10-11页 |
| 1.2.2 实体抽取 | 第11-12页 |
| 1.2.3 知识图谱 | 第12-13页 |
| 1.2.4 发生地抽取 | 第13-15页 |
| 1.3 主要研究内容 | 第15-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 第2章 相关理论介绍 | 第20-28页 |
| 2.1 问题描述 | 第20页 |
| 2.2 序列标注模型与分类模型 | 第20-21页 |
| 2.2.1 LSTM | 第20-21页 |
| 2.2.2 随机森林 | 第21页 |
| 2.3 命名实体识别相关算法 | 第21-23页 |
| 2.3.1 CRF模型 | 第22页 |
| 2.3.2 LSTM-CRF模型 | 第22-23页 |
| 2.4 与特征计算有关的算法 | 第23-25页 |
| 2.4.1 Word2Vec模型 | 第23-24页 |
| 2.4.2 SVM模型 | 第24-25页 |
| 2.5 评价指标 | 第25-27页 |
| 2.5.1 准确率 | 第26页 |
| 2.5.2 召回率 | 第26-27页 |
| 2.5.3 F1值 | 第27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 新闻发生地的特征构建 | 第28-44页 |
| 3.1 数据集构建 | 第28-29页 |
| 3.1.1 数据集分析 | 第28-29页 |
| 3.1.2 数据集人工标注 | 第29页 |
| 3.2 词嵌入特征 | 第29-30页 |
| 3.3 地名频次特征 | 第30-34页 |
| 3.4 新闻文本与句子的类别特征 | 第34-35页 |
| 3.5 句子与标题的相对距离特征 | 第35-37页 |
| 3.6 相似度相关的特征 | 第37-43页 |
| 3.6.1 句子与标题的相似度 | 第38-41页 |
| 3.6.2 句子相似度排名 | 第41-42页 |
| 3.6.3 相邻句子相似度 | 第42-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 新闻发生地抽取的方法 | 第44-56页 |
| 4.1 新闻文本预处理 | 第44-45页 |
| 4.2 实体识别及标签转换 | 第45-47页 |
| 4.2.1 实体识别 | 第45-46页 |
| 4.2.2 标签转换 | 第46-47页 |
| 4.3 文本分类 | 第47-48页 |
| 4.4 地名实体的知识图谱 | 第48-52页 |
| 4.4.1 知识图谱的构建 | 第49-51页 |
| 4.4.2 知识图谱的应用 | 第51-52页 |
| 4.5 二分模型与序列标注模型 | 第52-55页 |
| 4.5.1 基于随机森林的分类模型 | 第52-53页 |
| 4.5.2 基于LSTM的序列标注算法 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 发生地抽取实验评估 | 第56-66页 |
| 5.1 发生地抽取实验结果 | 第56-59页 |
| 5.1.1 发生地抽取评测结果 | 第56-57页 |
| 5.1.2 模型参数调优 | 第57-58页 |
| 5.1.3 二分与序列标注特征实验对比 | 第58-59页 |
| 5.2 与其他发生地抽取算法的比对 | 第59-64页 |
| 5.2.1 与其它分类模型的比对 | 第59-60页 |
| 5.2.2 与baseline的比对 | 第60-64页 |
| 5.3 系统实现 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间发表的学术论文 | 第71-73页 |
| 致谢 | 第73页 |
