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

基于深度神经网络的实体关系抽取研究

摘要第2-3页
Abstract第3-4页
1 绪论第7-16页
    1.1 研究内容及意义第7-8页
    1.2 国内外研究现状第8-12页
    1.3 药物诱导疾病关系语料库第12-13页
    1.4 评测指标第13-14页
    1.5 本文主要工作第14页
    1.6 本文组织结构第14-16页
2 关键技术概述第16-23页
    2.1 卷积神经网络第16-18页
    2.2 长短时记忆循环神经网络第18-19页
    2.3 注意力机制第19-20页
    2.4 知识表示学习第20-21页
    2.5 本章小结第21-23页
3 基于语义信息的药物疾病关系抽取第23-36页
    3.1 基于语义信息的药物疾病关系抽取系统第23-32页
        3.1.1 语料预处理第23-24页
        3.1.2 候选样例筛选第24-25页
        3.1.3 扩展的上下文序列抽取第25-26页
        3.1.4 基于上下文序列的药物疾病关系抽取第26-28页
        3.1.5 基于扩展的上下文序列的药物疾病关系抽取第28-29页
        3.1.6 基于权重机制和门机制扩展的药物疾病关系抽取第29-31页
        3.1.7 关系合并与后处理第31-32页
    3.2 基于语义信息的药物疾病关系抽取实验第32-35页
        3.2.1 基于语义信息的句内级别药物疾病关系抽取性能分析第32-33页
        3.2.2 基于语义信息的跨句级别药物疾病关系抽取性能分析第33-34页
        3.2.3 关系合并与后处理第34-35页
    3.3 本章小结第35-36页
4 基于语义和依存信息的药物疾病关系抽取第36-50页
    4.1 基于语义和依存信息的药物疾病关系抽取系统第36-44页
        4.1.1 系统概况第36-37页
        4.1.2 依存信息第37-42页
        4.1.3 融合方法第42-44页
    4.2 基于语义和依存信息的药物疾病关系抽取实验第44-48页
        4.2.1 基于依存信息的关系抽取性能第44-45页
        4.2.2 基于语义和依存信息融合的关系抽取性能第45-48页
        4.2.3 关系合并与后处理第48页
    4.3 本章小结第48-50页
5 融合先验知识的药物疾病关系抽取第50-61页
    5.1 融合先验知识的药物疾病关系抽取系统第50-56页
        5.1.1 系统概况第50-51页
        5.1.2 知识表示学习第51-52页
        5.1.3 融合先验知识的药物疾病关系抽取第52-56页
    5.2 融合先验知识的药物疾病关系抽取实验第56-60页
        5.2.1 融合先验知识的药物疾病关系抽取性能第56-57页
        5.2.2 后处理与错误分析第57-59页
        5.2.3 与相关研究的对比第59-60页
    5.3 本章小结第60-61页
结论第61-63页
参考文献第63-70页
攻读硕士学位期间发表学术论文情况第70-71页
致谢第71-73页

论文共73页,点击 下载论文
上一篇:工业机器人轴孔装配视觉定位方法
下一篇:三维工序模型生成方法及NC自动编程