程序设计网络资源命名知识实体识别与发现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 命名实体识别研究现状 | 第13-14页 |
| 1.2.2 深度学习研究现状 | 第14-15页 |
| 1.3 本文研究内容与主要工作 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第2章 命名实体识别方法介绍 | 第17-24页 |
| 2.1 命名实体识别任务 | 第17页 |
| 2.2 领域命名实体识别 | 第17-18页 |
| 2.3 命名实体识别相关方法 | 第18-19页 |
| 2.3.1 基于规则 | 第18页 |
| 2.3.2 基于词典 | 第18-19页 |
| 2.3.3 基于统计 | 第19页 |
| 2.4 隐马尔可夫模型 | 第19-20页 |
| 2.5 条件随机场 | 第20-22页 |
| 2.6 统计模型的缺陷 | 第22-23页 |
| 2.7 解决思路 | 第23页 |
| 2.8 本章小结 | 第23-24页 |
| 第3章 基于神经网络的命名实体识别研究 | 第24-44页 |
| 3.1 人工神经网络 | 第24-28页 |
| 3.1.1 神经元与神经网络模型介绍 | 第24-26页 |
| 3.1.2 误差逆传播算法 | 第26-27页 |
| 3.1.3 全局最小和局部最小 | 第27-28页 |
| 3.2 词向量 | 第28-32页 |
| 3.2.1 Word2vec词向量 | 第29页 |
| 3.2.2 Skip-Gram模型 | 第29-30页 |
| 3.2.3 CBOW连续词袋模型 | 第30-31页 |
| 3.2.4 总结 | 第31-32页 |
| 3.3 CNN架构设计 | 第32-39页 |
| 3.3.1 卷积神经网络结构 | 第32-33页 |
| 3.3.2 CNN的超参数 | 第33-35页 |
| 3.3.3 模型计算方法介绍 | 第35-38页 |
| 3.3.4 模型调参优化技巧 | 第38-39页 |
| 3.4 基于窗口的前馈神经网络模型架构设计 | 第39-43页 |
| 3.4.1 模型结构 | 第39-40页 |
| 3.4.2 模型算法推导 | 第40-41页 |
| 3.4.3 参数估计方法 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 实验与结果分析 | 第44-54页 |
| 4.1 实验语料介绍 | 第44-45页 |
| 4.2 文本预处理 | 第45页 |
| 4.3 标注集介绍 | 第45-46页 |
| 4.4 测试方法和评测指标 | 第46-47页 |
| 4.5 词向量训练 | 第47-48页 |
| 4.5.1 预处理 | 第47页 |
| 4.5.2 Word2vec词向量训练 | 第47-48页 |
| 4.6 前馈神经网络模型测试结果 | 第48-50页 |
| 4.7 分类知识点测试结果分析 | 第50页 |
| 4.8 不同参数下测试结果分析 | 第50-52页 |
| 4.9 新知识实体发现结果统计 | 第52-53页 |
| 4.10 本章小结 | 第53-54页 |
| 第5章 基于深度学习的算法知识实体识别与发现 | 第54-59页 |
| 5.1 整体框架 | 第54-55页 |
| 5.2 算法知识实体发现 | 第55-56页 |
| 5.2.1 有监督学习过程 | 第55-56页 |
| 5.2.2 算法知识实体识别过程 | 第56页 |
| 5.3 系统性能优化 | 第56-58页 |
| 5.3.1 非线性函数的近似计算 | 第56-57页 |
| 5.3.2 随机梯度下降方法 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录：攻读硕士研究生阶段发表的专利和论文 | 第64-65页 |
| 致谢 | 第65页 |
