隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)與信息技術(shù)的高速發(fā)展,傳統(tǒng)的紙質(zhì)文獻(xiàn)正在逐步被電子文獻(xiàn)取代,這種進(jìn)步在極大程度上減少了科研人員在獲取文獻(xiàn)資料時(shí)需要投入的時(shí)間與精力。專業(yè)領(lǐng)域術(shù)語(yǔ)識(shí)別是一項(xiàng)從特定專業(yè)領(lǐng)域的文本語(yǔ)料庫(kù)中發(fā)現(xiàn)該領(lǐng)域?qū)I(yè)詞匯的任務(wù),對(duì)電子文獻(xiàn)的語(yǔ)義分析以及文本語(yǔ)料庫(kù)的快速檢索都具有重要意義。當(dāng)前主流的專業(yè)領(lǐng)域術(shù)語(yǔ)識(shí)別過(guò)程主要依靠統(tǒng)計(jì)學(xué)和語(yǔ)言學(xué)的結(jié)合來(lái)完成術(shù)語(yǔ)的提取與識(shí)別過(guò)程,好的識(shí)別方法往往來(lái)源于幾種簡(jiǎn)單的術(shù)語(yǔ)識(shí)別算法的結(jié)合。目前的術(shù)語(yǔ)識(shí)別技術(shù)主要依賴于傳統(tǒng)的統(tǒng)計(jì)學(xué)方法,一些研究人員已經(jīng)開(kāi)始探究深度神經(jīng)網(wǎng)絡(luò)在術(shù)語(yǔ)識(shí)別過(guò)程中的應(yīng)用,但尚未形成完整的可操作系統(tǒng)。因此,本文基于深度學(xué)習(xí)技術(shù),設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)可擴(kuò)展、可靈活實(shí)施的專業(yè)領(lǐng)域術(shù)語(yǔ)識(shí)別系統(tǒng)。本文主要包括以下幾方面工作:（1）基于N-gram模型對(duì)原始文本進(jìn)行預(yù)處理,將完整的文章用特殊標(biāo)識(shí)切分成細(xì)小的文字片段。（2）提出了一種基于注意力機(jī)制的雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型提取文字片段中的術(shù)語(yǔ),并引入條件隨機(jī)場(chǎng)模型提升網(wǎng)絡(luò)對(duì)長(zhǎng)單詞的識(shí)別準(zhǔn)確率。（3）基于信息熵提出了一種術(shù)語(yǔ)可信度計(jì)算方法,提升系統(tǒng)對(duì)當(dāng)前專業(yè)領(lǐng)域術(shù)語(yǔ)的識(shí)別準(zhǔn)確率。（4）引入字向量模型... 

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 項(xiàng)目背景
    1.2 研究現(xiàn)狀
    1.3 主要工作
        1.3.1 研究目標(biāo)
        1.3.2 研究?jī)?nèi)容
    1.4 研究創(chuàng)新點(diǎn)與關(guān)鍵技術(shù)
    1.5 論文結(jié)構(gòu)
第二章 相關(guān)技術(shù)介紹
    2.1 算法介紹
        2.1.1 N-Gram模型介紹
        2.1.2 信息熵與互信息
        2.1.3 SVM分類算法介紹
    2.2 相關(guān)神經(jīng)網(wǎng)絡(luò)模型
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.2 條件隨機(jī)場(chǎng)模型
        2.2.3 注意力模型
    2.3 詞向量技術(shù)介紹
        2.3.1 One-hot技術(shù)
        2.3.2 Word2vec技術(shù)
    2.4 中文專業(yè)領(lǐng)域術(shù)語(yǔ)特性
    2.5 本章小結(jié)
第三章 專業(yè)領(lǐng)域術(shù)語(yǔ)識(shí)別系統(tǒng)總體設(shè)計(jì)
    3.1 研究概況
        3.1.1 應(yīng)用場(chǎng)景
        3.1.2 問(wèn)題描述及原因分析
    3.2 整體系統(tǒng)設(shè)計(jì)
        3.2.1 文本初步切分模塊
        3.2.2 術(shù)語(yǔ)提取模塊
        3.2.3 術(shù)語(yǔ)可信度驗(yàn)證模塊
        3.2.4 術(shù)語(yǔ)分類模塊
    3.3 本章小結(jié)
第四章 專業(yè)領(lǐng)域術(shù)語(yǔ)識(shí)別系統(tǒng)的詳細(xì)設(shè)計(jì)與實(shí)現(xiàn)
    4.1 基于N-Gram模型的文本切分
        4.1.1 基于N-Gram模型的文本切分方法
        4.1.2 N-Gram模型的數(shù)據(jù)平滑
    4.2 基于神經(jīng)網(wǎng)絡(luò)模型的術(shù)語(yǔ)提取
        4.2.1 BLSTM模型
        4.2.2 BLSTM-CRF
        4.2.3 基于注意力的BLSTM-CRF模型
        4.2.4 Att-BLSTM-CRF模型訓(xùn)練
    4.3 基于互信息的術(shù)語(yǔ)可信度驗(yàn)證
        4.3.1 術(shù)語(yǔ)可信度
        4.3.2 術(shù)語(yǔ)可信度驗(yàn)證流程
    4.4 基于字向量與SVM的術(shù)語(yǔ)分類
        4.4.1 字向量訓(xùn)練模塊
        4.4.2 基于SVM的術(shù)語(yǔ)分類
        4.4.3 術(shù)語(yǔ)特征抽取
    4.5 本章小結(jié)
第五章 測(cè)試結(jié)果及分析
    5.1 實(shí)驗(yàn)平臺(tái)介紹
    5.2 測(cè)試環(huán)境搭建
    5.3 測(cè)試對(duì)比對(duì)象介紹
    5.4 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
    5.5 測(cè)試結(jié)果及分析
    5.6 本章小結(jié)
第六章 結(jié)束語(yǔ)
    6.1 論文總結(jié)
    6.2 下一步研究工作
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄


【參考文獻(xiàn)】：
期刊論文
[1]利用URL-Key領(lǐng)域術(shù)語(yǔ)識(shí)別方法[J]. 呂書(shū)寧,董志安.  北京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[2]改進(jìn)最小二乘支持向量機(jī)電量預(yù)測(cè)算法[J]. 楊柳,吳延琳,張超,劉超,蔣勃,張鵬.  電網(wǎng)與清潔能源. 2017(03)
[3]科技項(xiàng)目查重系統(tǒng)構(gòu)建研究[J]. 張新民,張愛(ài)霞,鄭彥寧.  情報(bào)學(xué)報(bào). 2016 (09)
[4]基于支持向量機(jī)的遙感圖像分類研究綜述[J]. 王振武,孫佳駿,于忠義,卜異亞.  計(jì)算機(jī)科學(xué). 2016(09)
[5]基于支持向量機(jī)的分類辨識(shí)方法及應(yīng)用[J]. 馬相東,盧占慶,譚永彥,王秀英.  控制工程. 2016(05)
[6]基于粒子群算法的決策樹(shù)SVM多分類方法研究[J]. 王道明,魯昌華,蔣薇薇,肖明霞,李必然.  電子測(cè)量與儀器學(xué)報(bào). 2015(04)
[7]SNOMED CT術(shù)語(yǔ)分類體系設(shè)定學(xué)科背景的探討[J]. 郭玉峰,劉保延,尹愛(ài)寧.  世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化. 2007(04)
[8]領(lǐng)域術(shù)語(yǔ)自動(dòng)抽取及其在文本分類中的應(yīng)用[J]. 劉桃,劉秉權(quán),徐志明,王曉龍.  電子學(xué)報(bào). 2007(02)
[9]中文金融新聞中公司名的識(shí)別[J]. 王寧,葛瑞芳,苑春法,黃錦輝,李文捷.  中文信息學(xué)報(bào). 2002(02)



本文編號(hào)：3656094