基于关系抽取的需求文本自动建模方法研究与实现
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 引言 | 第7-19页 |
| ·背景和意义 | 第7-8页 |
| ·课题来源 | 第8页 |
| ·相关工作概述 | 第8-17页 |
| ·关系信息抽取的主要方法 | 第9-12页 |
| ·需求文本的自动概念建模 | 第12-14页 |
| ·事件时序关系信息抽取 | 第14-17页 |
| ·论文工作及内容安排 | 第17-19页 |
| ·论文主要难点 | 第17页 |
| ·论文主要贡献 | 第17-18页 |
| ·论文组织安排 | 第18-19页 |
| 第2章 基于规则的模型元素关系抽取 | 第19-31页 |
| ·关系信息抽取框架 | 第19-21页 |
| ·文法分析 | 第21-23页 |
| ·语法树选择 | 第22-23页 |
| ·实体识别 | 第23-25页 |
| ·实体基本类型划分 | 第23-24页 |
| ·实体特征抽取 | 第24-25页 |
| ·语义模型表示 | 第25-30页 |
| ·语义规则定义 | 第26-29页 |
| ·基于规则的语义自动机构建 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 基于规则和统计的辅助建模资源构造 | 第31-43页 |
| ·领域词典与修正规则库构造 | 第31-37页 |
| ·构造流程概述 | 第31-32页 |
| ·修正规则模板定义 | 第32-35页 |
| ·基于转换的修正规则学习器构建 | 第35-37页 |
| ·背景知识库构造 | 第37-42页 |
| ·构造流程概述 | 第37-38页 |
| ·语料准备和处理 | 第38-39页 |
| ·基于统计的语义相关度计算 | 第39-40页 |
| ·基于规则的能动关系筛选 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于机器学习的复合关系提取 | 第43-57页 |
| ·事件时序关系建模思路 | 第43-45页 |
| ·时序关系特征分析 | 第43页 |
| ·复合关系分解 | 第43-44页 |
| ·建模流程概述 | 第44-45页 |
| ·时间和事件的识别过程 | 第45-49页 |
| ·基于机器学习的时序关系分类 | 第49-56页 |
| ·语料准备和标注 | 第49-50页 |
| ·实体分类体系构建到特征抽取 | 第50-53页 |
| ·基于机器学习的事件－时间时序关系分类实验 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 自动建模系统实现与评估 | 第57-65页 |
| ·系统实现介绍 | 第57-62页 |
| ·系统体系架构 | 第57-58页 |
| ·系统主要流程 | 第58-60页 |
| ·核心模块实现 | 第60-62页 |
| ·系统评估 | 第62-64页 |
| ·SD 图建模实验 | 第62-63页 |
| ·相关工作对比 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| ·研究总结 | 第65-66页 |
| ·需进一步展开的工作 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第73页 |
