| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-14页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究意义 | 第8页 |
| 1.3 研究现状 | 第8-12页 |
| 1.3.1 基于规则的方法 | 第9-10页 |
| 1.3.2 基于机器学习的方法 | 第10-11页 |
| 1.3.3 基于深度学习的方法 | 第11-12页 |
| 1.4 本文研究内容 | 第12-13页 |
| 1.5 本文组织结构 | 第13-14页 |
| 2 相关表示和模型介绍 | 第14-25页 |
| 2.1 词表示 | 第14-20页 |
| 2.1.1 one-hot表示法 | 第14页 |
| 2.1.2 分布式词表示 | 第14-15页 |
| 2.1.3 神经网络语言模型 | 第15-17页 |
| 2.1.4 CBOW和skip-gram模型 | 第17-19页 |
| 2.1.5 GloVe模型 | 第19-20页 |
| 2.2 人工神经网络 | 第20-23页 |
| 2.2.1 前馈神经网络 | 第20-22页 |
| 2.2.2 循环神经网络 | 第22-23页 |
| 2.3 评价方法 | 第23-25页 |
| 3 融合生物医学信息和最大间隔原理的词表示模型 | 第25-35页 |
| 3.1 语料预处理 | 第26-27页 |
| 3.2 词表示模型构建 | 第27-29页 |
| 3.2.1 词表示模型的训练 | 第27-29页 |
| 3.2.2 词表示模型的复杂度 | 第29页 |
| 3.3 实验结果与分析 | 第29-34页 |
| 3.3.1 BB-event任务上的词向量实验结果与分析 | 第30-32页 |
| 3.3.2 生物事件抽取任务上的词向量实验结果与分析 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于注意力机制的GRU模型的生物医学实体关系抽取 | 第35-49页 |
| 4.1 实验语料和任务描述 | 第36-38页 |
| 4.1.1 实验语料 | 第36-37页 |
| 4.1.2 任务描述 | 第37-38页 |
| 4.2 语料预处理 | 第38-41页 |
| 4.3 基于注意力机制的双向GRU的生物医学实体关系抽取 | 第41-45页 |
| 4.3.1 分布式语义表示构建 | 第41-42页 |
| 4.3.2 GRU | 第42-43页 |
| 4.3.3 双向GRU | 第43-44页 |
| 4.3.4 注意力机制 | 第44-45页 |
| 4.4 实验结果与分析 | 第45-48页 |
| 4.4.1 模型参数设置 | 第45页 |
| 4.4.2 不同特征向量作用分析 | 第45-46页 |
| 4.4.3 注意力机制作用分析 | 第46页 |
| 4.4.4 词向量的作用分析 | 第46-47页 |
| 4.4.5 与其它系统结果比较 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间发表学术论文情况 | 第54-55页 |
| 致谢 | 第55-57页 |
