| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 本课题背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 相关技术综述 | 第15-29页 |
| 2.1 循环神经网络(RECURRENT NEURAL NETWORKS,RNN) | 第15-22页 |
| 2.1.1 网络结构 | 第15-17页 |
| 2.1.2 循环神经网络常见优化算法 | 第17-20页 |
| 2.1.3 参数初始化 | 第20-22页 |
| 2.2 概率图模型 | 第22-24页 |
| 2.2.1 随机场 | 第22页 |
| 2.2.2 马尔科夫随机场(MRF) | 第22-23页 |
| 2.2.3 贝叶斯网络 | 第23-24页 |
| 2.3 词性标注 | 第24-25页 |
| 2.4 TENSORFLOW简介 | 第25-26页 |
| 2.4.1 TensorFlow数据流图 | 第25-26页 |
| 2.5 本章小结 | 第26-29页 |
| 第三章 基于LSTM的科研实体识别算法研究与设计 | 第29-47页 |
| 3.1 科研实体识别问题的定义 | 第29-30页 |
| 3.1.1 命名实体识别 | 第29-30页 |
| 3.1.2 科研实体识别定义 | 第30页 |
| 3.2 基于LSTM实现的科研实体识别模型结构 | 第30-31页 |
| 3.3 科研实体识别算法的实现 | 第31-39页 |
| 3.3.1 embedding层 | 第31-34页 |
| 3.3.2 CNN层 | 第34-35页 |
| 3.3.3 BLSTM层 | 第35-37页 |
| 3.3.4 CRF层 | 第37-38页 |
| 3.3.5 损失函数 | 第38-39页 |
| 3.4 实验环境及参数配置 | 第39-42页 |
| 3.4.1 实验环境 | 第39页 |
| 3.4.2 参数配置 | 第39-40页 |
| 3.4.3 实验数据集 | 第40-42页 |
| 3.5 实验结果及分析 | 第42-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于SIAMESE网络结构的归一化算法 | 第47-55页 |
| 4.1 科研归一化问题定义 | 第47页 |
| 4.2 模型的网络结构 | 第47-50页 |
| 4.2.1 Siamese Network结构 | 第48页 |
| 4.2.2 实验网络结构 | 第48-50页 |
| 4.3 归一化算法实现 | 第50-52页 |
| 4.3.1 LSTM层 | 第50-51页 |
| 4.3.2 全连接层 | 第51-52页 |
| 4.4 实验环境和参数配置 | 第52-53页 |
| 4.4.1 实验环境 | 第52页 |
| 4.4.2 参数配置 | 第52页 |
| 4.4.3 实验数据集 | 第52-53页 |
| 4.5 实验结果及分析 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 数据采集及算法的集成和应用 | 第55-73页 |
| 5.1 项目背景 | 第55页 |
| 5.2 项目内容 | 第55-56页 |
| 5.3 系统总体架构 | 第56-59页 |
| 5.3.1 数据获取层 | 第57-58页 |
| 5.3.2 数据持久层 | 第58页 |
| 5.3.3 服务层 | 第58页 |
| 5.3.4 web层 | 第58-59页 |
| 5.4 系统实现 | 第59-67页 |
| 5.4.1 数据采集部分 | 第59-61页 |
| 5.4.2 科研实体识别 | 第61-65页 |
| 5.4.3 科研实体归一化 | 第65-67页 |
| 5.5 系统成果展示 | 第67-71页 |
| 5.5.1 数据采集部分 | 第67-69页 |
| 5.5.2 科研实体识别 | 第69-70页 |
| 5.5.3 科研实体归一化 | 第70-71页 |
| 5.6 本章小结 | 第71-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.1.1 科研实体识别算法 | 第73页 |
| 6.1.2 科研实体归一化 | 第73页 |
| 6.1.3 数据采集系统及算法集成 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 攻读学位期间发表的学术论文 | 第81页 |