| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·选题的背景和意义 | 第11-12页 |
| ·研究现状 | 第12-17页 |
| ·本文内容概述 | 第17-18页 |
| 第二章 VIAES系统概述 | 第18-23页 |
| ·系统结构 | 第18-20页 |
| ·系统功能描述 | 第20-21页 |
| ·系统输入输出数据流 | 第21-23页 |
| 第三章 语义分类 | 第23-37页 |
| ·词典构造 | 第23-26页 |
| ·种子词词典 | 第23-24页 |
| ·基于HowNet的词典扩充 | 第24-25页 |
| ·基于Bootstrapping的词典扩充 | 第25页 |
| ·字典实例 | 第25-26页 |
| ·相关概念 | 第26-28页 |
| ·语义分类在车辆行驶领域的实例分析 | 第28页 |
| ·语义分类的相关技术 | 第28-37页 |
| ·基于词典的语义分类 | 第29-31页 |
| ·基于crf的文本语义分类 | 第31-33页 |
| ·基于self-training和crf相结合的方法进行文本语义分类 | 第33页 |
| ·语义分类结果修正 | 第33-37页 |
| 第四章 模式抽取 | 第37-50页 |
| ·车辆行驶文本相关性判别 | 第37-42页 |
| ·实例分析 | 第37-39页 |
| ·基于GMM和EM算法的半监督分类算法识别 | 第39-40页 |
| ·基于SVM的分类算法识别 | 第40-41页 |
| ·基于Bayes的分类算法识别 | 第41-42页 |
| ·利用prefixspan算法进行序列模式挖掘 | 第42-45页 |
| ·算法思想 | 第42-45页 |
| ·定义模式优化的规则 | 第45页 |
| ·利用Bootstrapping算法进行模式挖掘 | 第45-47页 |
| ·语义类别关系转移概率 | 第45-46页 |
| ·利用Bootstrapping算法进行模式挖掘 | 第46-47页 |
| ·利用dp_tag算法进行模式挖掘 | 第47页 |
| ·利用CRF算法进行模式挖掘 | 第47-50页 |
| 第五章 指令结构化 | 第50-57页 |
| ·实例分析 | 第50-51页 |
| ·起止位置识别 | 第51-55页 |
| ·动词聚类 | 第51-52页 |
| ·Kmeans聚类思想 | 第52-54页 |
| ·基于label propagate算法的起止位置识别 | 第54-55页 |
| ·基于最大模式匹配的结构切分 | 第55页 |
| ·指令结构化 | 第55-57页 |
| 第六章 VIAES系统实验结果 | 第57-66页 |
| ·语料介绍 | 第57页 |
| ·实验流程 | 第57页 |
| ·实验结果 | 第57-63页 |
| ·实验结果分析 | 第63-66页 |
| 第七章 未来工作总结和展望 | 第66-68页 |
| ·本文工作总结 | 第66-67页 |
| ·下一步研究方向 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |