基于深度学习的生物实体识别和关系抽取
| 摘要 | 第2-3页 |
| ABSTRACT | 第3页 |
| 1 绪论 | 第6-13页 |
| 1.1 研究背景 | 第6-7页 |
| 1.2 研究现状 | 第7-11页 |
| 1.2.1 生物医学命名实体识别的现状 | 第7-9页 |
| 1.2.2 生物医学实体关系抽取的现状 | 第9-11页 |
| 1.3 本文工作 | 第11页 |
| 1.4 本文结构 | 第11-13页 |
| 2 相关知识及评价指标 | 第13-20页 |
| 2.1 相关算法 | 第13-15页 |
| 2.1.1 词向量 | 第13页 |
| 2.1.2 神经网络 | 第13-15页 |
| 2.2 实验数据集 | 第15-18页 |
| 2.3 评价指标 | 第18-20页 |
| 3 基于Attention机制的药名实体识别 | 第20-38页 |
| 3.1 问题引出 | 第20-21页 |
| 3.2 方法 | 第21-27页 |
| 3.2.1 表示学习 | 第21-24页 |
| 3.2.2 BiLSTM-CRF | 第24-25页 |
| 3.2.3 Attention机制 | 第25-27页 |
| 3.3 实验分析 | 第27-37页 |
| 3.3.1 实验设置 | 第27-28页 |
| 3.3.2 Scorer函数分析 | 第28-30页 |
| 3.3.3 BiLSTM-CRF输入特征分析 | 第30-31页 |
| 3.3.4 Attention输入特征分析 | 第31-34页 |
| 3.3.5 Attention与后处理的比较 | 第34-35页 |
| 3.3.6 与主流方法对比 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于对抗训练的PPI识别 | 第38-51页 |
| 4.1 问题引出 | 第38-39页 |
| 4.2 相关工作 | 第39页 |
| 4.3 方法 | 第39-45页 |
| 4.2.1 输入表示层 | 第39-41页 |
| 4.2.2 Dropout层 | 第41页 |
| 4.2.3 句子编码层 | 第41-42页 |
| 4.2.4 损失函数 | 第42页 |
| 4.2.5 对抗训练 | 第42-45页 |
| 4.4 实验和讨论 | 第45-50页 |
| 4.4.1 数据集与实验设置 | 第45-46页 |
| 4.4.2 超参实验 | 第46-47页 |
| 4.4.3 实验结果 | 第47-48页 |
| 4.4.4 与主流方法对比 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 实体识别与关系抽取的可视化 | 第51-58页 |
| 5.1 系统需求分析 | 第51页 |
| 5.2 功能需求分析 | 第51页 |
| 5.3 系统总体设计 | 第51-52页 |
| 5.4 系统各功能模块的设计 | 第52-54页 |
| 5.4.1 实体识别模块的设计 | 第52-53页 |
| 5.4.2 关系抽取模块设计 | 第53页 |
| 5.4.3 可视化模块设计 | 第53-54页 |
| 5.5 整体界面设计 | 第54-55页 |
| 5.6 实体识别可视化 | 第55-56页 |
| 5.7 实体关系可视化 | 第56-57页 |
| 5.8 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表学术论文情况 | 第63页 |
| 攻读硕士学位期间参加学术评测和获奖情况 | 第63页 |
| 攻读硕士学位期间参加科研项目情况 | 第63-64页 |
| 致谢 | 第64-66页 |
