| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9页 |
| 1.3 国内外研究现状 | 第9-12页 |
| 1.3.1 基于规则模式匹配的方法 | 第9-10页 |
| 1.3.2 基于统计机器学习的方法 | 第10-11页 |
| 1.3.3 基于深度学习的方法 | 第11-12页 |
| 1.4 本文主要研究内容 | 第12页 |
| 1.5 本文的组织结构 | 第12-14页 |
| 2 相关表示、模型及算法介绍 | 第14-25页 |
| 2.1 生物医学信息抽取 | 第14-15页 |
| 2.2 词表示 | 第15-17页 |
| 2.2.1 独热编码 | 第15-16页 |
| 2.2.2 分布式词表示 | 第16-17页 |
| 2.3 Gdep解析器 | 第17页 |
| 2.4 支持向量机 | 第17-19页 |
| 2.5 人工神经网络 | 第19-21页 |
| 2.5.1 神经网络基本构架 | 第19-21页 |
| 2.5.2 网络训练 | 第21页 |
| 2.6 递归神经网络 | 第21-22页 |
| 2.7 布朗聚类 | 第22-24页 |
| 2.8 本章小结 | 第24-25页 |
| 3 基于丰富特征的实体关系抽取系统 | 第25-39页 |
| 3.1 实验语料和评价方法 | 第25-27页 |
| 3.1.1 实验语料介绍 | 第25-26页 |
| 3.1.2 任务描述 | 第26页 |
| 3.1.3 评价方法 | 第26-27页 |
| 3.2 系统框架介绍及预处理 | 第27-28页 |
| 3.2.1 系统框架介绍 | 第27-28页 |
| 3.2.2 预处理 | 第28页 |
| 3.3 特征介绍 | 第28-32页 |
| 3.4 实验结果与分析 | 第32-38页 |
| 3.4.1 实验设置 | 第32页 |
| 3.4.2 实体关系抽取系统效果与分析 | 第32-33页 |
| 3.4.3 采用生物领域词向量的关系抽取的实验结果 | 第33-37页 |
| 3.4.4 与现有系统比较结果 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 基于LSTM的递归神经网络进行生物医学关系抽取的研究 | 第39-50页 |
| 4.1 基于LSTM的递归神经网络 | 第40-43页 |
| 4.1.1 长短时记忆网络 | 第40-42页 |
| 4.1.2 双向LSTM递归神经网络 | 第42页 |
| 4.1.3 LSTM递归神经网络变体 | 第42-43页 |
| 4.2 构建基于双向DET-LSTM的生物关系抽取的研究 | 第43-45页 |
| 4.2.1 动态拓展树 | 第43-45页 |
| 4.2.2 距离向量 | 第45页 |
| 4.2.3 词性向量 | 第45页 |
| 4.2.4 后处理 | 第45页 |
| 4.3 实验结果与分析 | 第45-49页 |
| 4.3.1 参数设置 | 第46页 |
| 4.3.2 基于DEP-BLSTM的实验结果 | 第46-47页 |
| 4.3.3 经过后处理的实验结果 | 第47-48页 |
| 4.3.4 与现有系统比较结果 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表学术论文情况 | 第55-56页 |
| 致谢 | 第56-57页 |
