| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 引言 | 第8-16页 |
| 1.1 研究背景与研究意义 | 第8-9页 |
| 1.2 研究现状 | 第9-13页 |
| 1.2.1 基于知识工程匹配的关系分类 | 第9-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 相关对比模型 | 第16-34页 |
| 2.1 最大熵模型 | 第16-17页 |
| 2.1.1 基于最大熵模型的语义关系分类 | 第17页 |
| 2.2 支持向量机 | 第17页 |
| 2.2.1 基于SVM的语义关系分类模型 | 第17页 |
| 2.3 神经网络 | 第17-21页 |
| 2.3.1 模型简述 | 第17-18页 |
| 2.3.2 模型原理 | 第18-19页 |
| 2.3.3 BP算法 | 第19-21页 |
| 2.4 卷积神经网络 | 第21-24页 |
| 2.4.1 基于CNN的语义关系分类模型 | 第22页 |
| 2.4.2 基于相对位置的CNN关系分类模型 | 第22-24页 |
| 2.4.3 CRCNN关系分类模型 | 第24页 |
| 2.5 循环神经网络 | 第24-31页 |
| 2.5.1 LSTM模型 | 第26-27页 |
| 2.5.2 双向循环神经网络 | 第27-28页 |
| 2.5.3 RNN的语义关系分类模型 | 第28-31页 |
| 2.6 神经网络的组合模型 | 第31-33页 |
| 2.6.1 BRCNN关系分类模型 | 第31-32页 |
| 2.6.2 CNN+Attentions关系分类模型 | 第32-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第3章 基于上下文感知的LSTM关系分类模型 | 第34-44页 |
| 3.1 模型的整体框架结构 | 第34-35页 |
| 3.2 数据预处理和特征抽取 | 第35-36页 |
| 3.3 特征向量的表示 | 第36-41页 |
| 3.3.1 词向量模型 | 第36-40页 |
| 3.3.2 词向量的具体实现 | 第40-41页 |
| 3.4 LSTM循环神经网络结构 | 第41-42页 |
| 3.5 句子分段和池化 | 第42-43页 |
| 3.6 模型训练 | 第43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 基于上下文感知的LSTM关系分类实验 | 第44-59页 |
| 4.1 实验评测方式 | 第44页 |
| 4.2 SemEval-2010 Task 8实验 | 第44-51页 |
| 4.2.1 任务描述 | 第44-46页 |
| 4.2.2 参数设置 | 第46-47页 |
| 4.2.3 实验结果 | 第47-49页 |
| 4.2.4 案例分析 | 第49-51页 |
| 4.3 BioNLP-ST 2016 Task BB3实验 | 第51-54页 |
| 4.3.1 任务描述 | 第52页 |
| 4.3.2 参数设置 | 第52-53页 |
| 4.3.3 实验结果 | 第53-54页 |
| 4.3.4 案例分析 | 第54页 |
| 4.4 实验分析 | 第54-58页 |
| 4.4.1 序列特征和结构特征的预处理比较 | 第54-55页 |
| 4.4.2 上下文不同部分对实体关系的影响 | 第55-56页 |
| 4.4.3 实体对中间的上下文与最短依存路径的关系 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 结论和展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文 | 第65-66页 |
| 致谢 | 第66-67页 |
