首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

结合注意力机制的Bi-LSTM循环神经网络对关系分类的研究

摘要第4-6页
abstract第6-8页
第1章 绪论第12-19页
    1.1 课题背景及研究意义第12-13页
    1.2 研究现状第13-16页
        1.2.1 关系分类研究现状第13-15页
        1.2.2 深度学习研究现状第15-16页
    1.3 论文研究内容第16-17页
    1.4 论文组织结构第17-19页
第2章 相关概念与技术第19-34页
    2.1 词嵌入第19-21页
    2.2 人工神经网络第21-23页
    2.3 循环神经网络第23-25页
    2.4 长短时记忆单元第25-28页
    2.5 Gated Recurrent Unit第28-29页
    2.6 其他深度学习技术第29-33页
        2.6.1 dropout第29-31页
        2.6.2 mini_batch SGD第31-32页
        2.6.3 注意力机制第32-33页
    2.7 本章小结第33-34页
第3章 impAtt-Dir-BLSTM模型设计与实现第34-46页
    3.1 模型整体框架第34-35页
    3.2 模型具体实现第35-44页
        3.2.1 输入层第35-36页
        3.2.2 嵌入层第36-37页
        3.2.3 双向循环网络层第37-39页
        3.2.4 改进的注意力层第39-42页
        3.2.5 关系及方向表示层第42-43页
        3.2.6 特征融合层与输出层第43-44页
    3.3 误差函数第44-45页
    3.4 本章小结第45-46页
第4章 实验与结果分析第46-64页
    4.1 实验环境与参数设置第46-49页
        4.1.1 数据集第46-47页
        4.1.2 评价标准第47-48页
        4.1.3 模型参数设置第48-49页
    4.2 semEval数据集的实验对比与实验结果分析第49-61页
        4.2.1 输入特征选择实验第49-50页
        4.2.2 模型结构选择实验第50-54页
        4.2.3 对抗过拟合实验第54-55页
        4.2.4 模型对比实验第55-61页
    4.3 KBP37数据集的模型对比试验第61-63页
    4.4 本章小结第63-64页
第5章 总结与展望第64-66页
    5.1 本文总结第64页
    5.2 未来展望第64-66页
参考文献第66-71页
作者简介第71-72页
致谢第72页

论文共72页,点击 下载论文
上一篇:SAP的仓库管理系统增强与实现
下一篇:Android移动应用热更新方案的研究与实现