| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 相关研究工作 | 第14-22页 |
| 1.2.1 基于统计的文本语义理解模型 | 第15-16页 |
| 1.2.2 基于概率主题的文本语义理解模型 | 第16-18页 |
| 1.2.3 基于语义词典的文本语义理解模型 | 第18-19页 |
| 1.2.4 基于认知的文本语义理解模型 | 第19-20页 |
| 1.2.5 基于本体的文本语义理解模型 | 第20-22页 |
| 1.3 研究内容 | 第22-24页 |
| 1.4 本研究的创新点和意义 | 第24-26页 |
| 第二章 基于人类认知过程的HTSC模型 | 第26-44页 |
| 2.1 问题的提出 | 第26-27页 |
| 2.2 人类的记忆过程 | 第27-34页 |
| 2.2.1 经典的记忆模型 | 第27-31页 |
| 2.2.2 现阶段发展中的记忆模型 | 第31-34页 |
| 2.3 人类的文本信息加工过程 | 第34-38页 |
| 2.3.1 传统的人类文本信息加工理论 | 第34-37页 |
| 2.3.2 现阶段的人类文本信息加工理论 | 第37-38页 |
| 2.4 HTSC模型的提出 | 第38-42页 |
| 2.5 结论 | 第42-44页 |
| 第三章 HTSC模型中的文本语义表征方法 | 第44-65页 |
| 3.1 问题的提出 | 第44-45页 |
| 3.2 基于工作记忆的文本语义表征方法 | 第45-49页 |
| 3.2.1 工作记忆与课文多水平表征理论 | 第45-46页 |
| 3.2.2 R_WM表征方法 | 第46-49页 |
| 3.3 基于短期情景/长时记忆的文本语义表征方法 | 第49-52页 |
| 3.4 基于人类概念学习的文本幂级数表示模型 | 第52-63页 |
| 3.4.1 人类概念学习 | 第52-54页 |
| 3.4.2 文本幂级数表示模型 | 第54-61页 |
| 3.4.3 实验结果分析 | 第61-63页 |
| 3.5 结论 | 第63-65页 |
| 第四章 文本语义表征构建过程中词之间语义关系的挖掘方法 | 第65-82页 |
| 4.1 问题的提出 | 第65-67页 |
| 4.2 语言学中的配价理论 | 第67-69页 |
| 4.3 基于配价理论的动词依赖集挖掘方法 | 第69-72页 |
| 4.4 基于动词依赖集的原子语义关系挖掘方法 | 第72-74页 |
| 4.5 基于原子语义关系的具体语义关系挖掘方法 | 第74-77页 |
| 4.6 实验结果分析 | 第77-80页 |
| 4.6.1 实验准备 | 第77-78页 |
| 4.6.2 实验结果 | 第78-80页 |
| 4.7 结论 | 第80-82页 |
| 第五章 HTSC模型中文本语义的动态理解过程 | 第82-99页 |
| 5.1 问题的提出 | 第82页 |
| 5.2 文本语义动态理解的问题定义 | 第82-84页 |
| 5.3 当前文本语义的激活线索产生方法 | 第84-88页 |
| 5.3.1 文本语义连贯范式定义 | 第84-87页 |
| 5.3.2 基于文本语义连贯中断的激活线索产生方法 | 第87-88页 |
| 5.4 背景知识的反馈过程 | 第88-94页 |
| 5.4.1 背景知识的激活方法 | 第88-91页 |
| 5.4.2 当前文本语义与被激活背景知识的融合方法 | 第91-94页 |
| 5.5 实验结果分析 | 第94-97页 |
| 5.5.1 文本语义激活对比实验 | 第94-96页 |
| 5.5.2 动态理解结果对比实验 | 第96-97页 |
| 5.6 结论 | 第97-99页 |
| 第六章 基于HTSC模型的文本复杂度度量 | 第99-115页 |
| 6.1 问题的提出 | 第99-100页 |
| 6.2 文本理解复杂度影响因子分析 | 第100-103页 |
| 6.2.1 人类概念学习中的概念复杂度 | 第100-101页 |
| 6.2.2 文本理解复杂度影响因子 | 第101-103页 |
| 6.3 基于人类概念学习的文本理解代数复杂度度量 | 第103-107页 |
| 6.3.1 基本思想 | 第103-105页 |
| 6.3.2 文本理解代数复杂度的改进方法 | 第105-107页 |
| 6.4 实验结果分析 | 第107-114页 |
| 6.4.1 实验准备 | 第107-108页 |
| 6.4.2 复杂度度量语言学模型 | 第108-109页 |
| 6.4.3 ACT、EACT与语言学模型的对比实验 | 第109-111页 |
| 6.4.4 GEACT中线性函数与非线性函数的对比实验 | 第111-114页 |
| 6.5 结论 | 第114-115页 |
| 第七章 基于HTSC模型的文本语义理解应用 | 第115-123页 |
| 7.1 系统应用背景 | 第115-116页 |
| 7.2 基于认知过程的智能交互系统 | 第116-119页 |
| 7.3 基于复杂度度量的搜索演示系统 | 第119-122页 |
| 7.4 结论 | 第122-123页 |
| 第八章 结论与展望 | 第123-127页 |
| 8.1 本文结论 | 第123-125页 |
| 8.2 研究展望 | 第125-127页 |
| 参考文献 | 第127-137页 |
| 作者在攻读博士学位期间公开发表的论文 | 第137-139页 |
| 作者在攻读博士学位期间所作的项目 | 第139-140页 |
| 致谢 | 第140-141页 |
