| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 符号说明 | 第7-10页 |
| 第一章 绪论 | 第10-15页 |
| ·命名实体抽取技术背景和难点 | 第10-12页 |
| ·本文的研究内容 | 第12-13页 |
| ·本文的组织结构 | 第13-15页 |
| 第二章 命名实体抽取方法 | 第15-24页 |
| ·命名实体抽取 | 第15-16页 |
| ·命名实体抽取方法 | 第16-21页 |
| ·基于半结构化数据的专名抽取方法 | 第16-17页 |
| ·基于自然语言的专名抽取方法 | 第17-19页 |
| ·混合的抽取方法 | 第19-21页 |
| ·命名实体抽取评价方法 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 基于混合方法的专名抽取模型 | 第24-43页 |
| ·基于WEB 结构树的专名主题语料获取 | 第25-27页 |
| ·WEB 结构树模型构造 | 第25-26页 |
| ·专名主题文本提取 | 第26-27页 |
| ·基于隐马尔可夫模型和N-最短路径的专名语料预处理 | 第27-29页 |
| ·隐马尔可夫模型及在分词中的应用 | 第27-28页 |
| ·修正的隐马尔科夫模型 | 第28页 |
| ·基于N-最短路径的统计粗分及求解 | 第28-29页 |
| ·基于BOOTSTRAPPING 结合最大熵的自学习抽取器模型 | 第29-41页 |
| ·BOOTSTRAPPING 自学习模型描述. | 第30-32页 |
| ·最大熵模型及其优点 | 第32-35页 |
| ·专名自学习模型构造 | 第35-36页 |
| ·最大熵特征构造和选取 | 第36-39页 |
| ·种子词集构造和新种子词选取 | 第39-40页 |
| ·修正的混合专名抽取器模型 | 第40-41页 |
| ·专名候选词的过滤 | 第41页 |
| ·本章小结 | 第41-43页 |
| 第四章 实验数据和分析 | 第43-49页 |
| ·语料的选取 | 第43页 |
| ·实验结果及分析 | 第43-48页 |
| ·专名语料预处理结果和分析 | 第44页 |
| ·专名抽取模型实验结果和分析 | 第44-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-52页 |
| ·本文工作回顾 | 第49-50页 |
| ·成果及意义 | 第50页 |
| ·研究展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间已发表或录用的论文 | 第57-59页 |