| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1.绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文的研究内容 | 第15-16页 |
| 1.4 本文的组织架构 | 第16-18页 |
| 2.相关技术 | 第18-24页 |
| 2.1 命名实体识别 | 第18-20页 |
| 2.1.1 基于规则和词典的中文命名实体识别 | 第18页 |
| 2.1.2 基于统计的命名实体识别 | 第18-20页 |
| 2.1.3 基于深度学习的中文命名实体识别 | 第20页 |
| 2.2 基于深度神经网络的特征提取 | 第20-22页 |
| 2.3 基于AC自动机的多模字符串匹配 | 第22-23页 |
| 2.4 字符串相似度计算算法 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 健康保险智能问答系统分析与设计 | 第24-39页 |
| 3.1 系统分析 | 第24-26页 |
| 3.1.1 功能模块分析 | 第24-25页 |
| 3.1.2 非功能性需求分析 | 第25-26页 |
| 3.2 总体架构设计 | 第26-28页 |
| 3.2.1 逻辑架构 | 第26-27页 |
| 3.2.2 功能模块架构 | 第27-28页 |
| 3.3 数据存储设计 | 第28-32页 |
| 3.3.1 基于My SQL的保险文档数据库 | 第28-29页 |
| 3.3.2 基于Elastic Search的结构化保险知识库 | 第29-32页 |
| 3.4 保险条款的采集与质量控制模块设计 | 第32-33页 |
| 3.5 智能问答模块设计 | 第33-38页 |
| 3.5.1 保险领域问句分析及系统流程 | 第33-34页 |
| 3.5.2 基于自然语言技术的问句理解 | 第34-36页 |
| 3.5.3 基于模板的问句查询转化 | 第36-37页 |
| 3.5.4 基于Elastic Search的答案检索 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 保险名称主体识别方法研究 | 第39-51页 |
| 4.1 保险主体识别问题分析 | 第39-40页 |
| 4.2 模型架构 | 第40-41页 |
| 4.3 字向量预训练 | 第41-42页 |
| 4.4 基于Bi-LSTM-CRF的主体识别模型 | 第42-47页 |
| 4.4.1 Bi-LSTM层 | 第42-45页 |
| 4.4.2 中间层 | 第45-46页 |
| 4.4.3 CRF层 | 第46-47页 |
| 4.5 对比实验结果与分析 | 第47-50页 |
| 4.5.1 语料标注方案 | 第47-48页 |
| 4.5.2 实验设计 | 第48-49页 |
| 4.5.3 实验数据集与参数设置 | 第49页 |
| 4.5.4 实验结果与分析 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 5 健康保险智能问答系统实现 | 第51-58页 |
| 5.1 保险条款的采集与结构化模块实现 | 第51-52页 |
| 5.2 健康保险智能问答模块实现 | 第52-57页 |
| 5.2.1 保险问句理解 | 第52-55页 |
| 5.2.2 基于模板的问句查询转化 | 第55页 |
| 5.2.3 基于Elastic Search的答案检索 | 第55-57页 |
| 5.3 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读学位期间的研究成果目录 | 第63-64页 |
| 致谢 | 第64页 |
