| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第13-22页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 格库构建研究现状 | 第15-16页 |
| 1.2.2 语义角色标注研究现状 | 第16-17页 |
| 1.2.3 聚类研究现状 | 第17-19页 |
| 1.3 研究内容与论文结构安排 | 第19-22页 |
| 2 相关理论与技术基础 | 第22-33页 |
| 2.1 依存句法分析概述 | 第22-23页 |
| 2.2 语义角色标注方法 | 第23-29页 |
| 2.2.1 基于规则的方法 | 第24页 |
| 2.2.2 基于特征的统计机器学习方法 | 第24-29页 |
| 2.2.3 基于深度学习的方法 | 第29页 |
| 2.3 神经网络模型概述 | 第29-32页 |
| 2.3.1 RNN模型 | 第29-30页 |
| 2.3.2 LSTM模型 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于深度学习的汉语语义角色标注 | 第33-49页 |
| 3.1 基于Bi-LSTM的标注方法 | 第33-42页 |
| 3.1.1 整体框架 | 第33-34页 |
| 3.1.2 词的特征向量表示 | 第34-35页 |
| 3.1.3 多层Bi-LSTM | 第35-36页 |
| 3.1.4 标签转移概率矩阵的引入 | 第36-37页 |
| 3.1.5 模型训练 | 第37-38页 |
| 3.1.6 实验评测 | 第38-42页 |
| 3.2 增强Gate机制的标注方法 | 第42-45页 |
| 3.2.1 Gate机制的引入 | 第42-43页 |
| 3.2.2 实验评测 | 第43-45页 |
| 3.3 利用依存句法特征的标注方法 | 第45-47页 |
| 3.3.1 依存句法特征的利用 | 第45-46页 |
| 3.3.2 实验评测 | 第46-47页 |
| 3.3.3 与前人方法对比 | 第47页 |
| 3.4 本章小结 | 第47-49页 |
| 4 基于语义聚类的汉语格框架获取 | 第49-66页 |
| 4.1 谓词-论元组抽取 | 第49-51页 |
| 4.1.1 论元的中心词获取 | 第49-50页 |
| 4.1.2 谓词-论元组抽取 | 第50页 |
| 4.1.3 谓词-论元组初步合并 | 第50-51页 |
| 4.2 基于Chinese Restaurant Process的格框架获取方法 | 第51-53页 |
| 4.2.1 Chinese Restaurant Process算法 | 第51-52页 |
| 4.2.2 基于CRP的格框架获取 | 第52-53页 |
| 4.3 基于最大距离的改进型K-means格框架获取方法 | 第53-55页 |
| 4.3.1 基于最大距离的改进型K-means算法 | 第54页 |
| 4.3.2 基于改进型K-means的格框架获取 | 第54-55页 |
| 4.4 基于DBSCAN的格框架获取方法 | 第55-57页 |
| 4.4.1 基于密度的DBSCAN算法 | 第55-56页 |
| 4.4.2 基于DBSCAN的格框架获取 | 第56-57页 |
| 4.5 实验与评测 | 第57-61页 |
| 4.5.1 评测数据的制作 | 第57-58页 |
| 4.5.2 实验数据与设置 | 第58-59页 |
| 4.5.3 实验结果与分析 | 第59-61页 |
| 4.6 汉语格库构建方法的应用——汉语高频动词的格库构建 | 第61-65页 |
| 4.6.1 构建总体框架 | 第61-62页 |
| 4.6.2 实验数据与设置 | 第62页 |
| 4.6.3 实验结果与分析 | 第62-65页 |
| 4.7 本章小结 | 第65-66页 |
| 5 结论与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
