| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 相关国际评测会议 | 第10-12页 |
| 1.4 选题的目的和意义 | 第12页 |
| 1.5 本文的主要内容及组织安排 | 第12-14页 |
| 2 文本分类基本技术及相关知识 | 第14-25页 |
| 2.1 文本预处理 | 第14-15页 |
| 2.1.1 中文分词 | 第14-15页 |
| 2.1.2 停用词处理 | 第15页 |
| 2.2 文本表示模型 | 第15-18页 |
| 2.2.1 向量空间模型 | 第15-18页 |
| 2.2.2 布尔模型和概率模型 | 第18页 |
| 2.3 特征选择算法 | 第18-21页 |
| 2.3.1 文档频率的特征提取法 | 第18-19页 |
| 2.3.2 信息增益法 | 第19页 |
| 2.3.3 X~2统计量法 | 第19-20页 |
| 2.3.4 互信息法 | 第20-21页 |
| 2.4 文本分类算法 | 第21-24页 |
| 2.4.1 类中心分类算法 | 第21页 |
| 2.4.2 K临近分类算法 | 第21-22页 |
| 2.4.3 朴素贝叶斯分类算法 | 第22-23页 |
| 2.4.4 决策树分类算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于支持向量机的自然语言文本中不确定信息的识别 | 第25-40页 |
| 3.1 引言 | 第25页 |
| 3.2 统计学习理论的基本思想 | 第25-28页 |
| 3.2.1 函数集的VC维 | 第25-26页 |
| 3.2.2 结构风险最小化归纳原则 | 第26-28页 |
| 3.3 支持向量机 | 第28-34页 |
| 3.3.1 支持向量机基本原理 | 第28-29页 |
| 3.3.2 支持向量机算法描述 | 第29-34页 |
| 3.4 基于支持向量机的自然语言不确定性识别 | 第34-39页 |
| 3.4.1 语料收集与数据初步统计 | 第34-35页 |
| 3.4.2 支持向量机的实现 | 第35-36页 |
| 3.4.3 评价指标 | 第36-37页 |
| 3.4.4 实验结果 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于条件随机场模型的自然语言文本中不确定信息识别 | 第40-53页 |
| 4.1 条件随机场的定义 | 第40-42页 |
| 4.2 特征函数 | 第42页 |
| 4.3 CRFs的势函数 | 第42-43页 |
| 4.4 CRF参数估计 | 第43-44页 |
| 4.5 标记偏见问题 | 第44-45页 |
| 4.6 基于条件随机场模型的不确定信息识别的实现 | 第45-51页 |
| 4.6.1 标记方法 | 第46页 |
| 4.6.2 训练语料和测试语料的格式 | 第46-47页 |
| 4.6.3 特征的选取以及特征模板的设定 | 第47-49页 |
| 4.6.4 实验结果 | 第49-51页 |
| 4.7 本章小结 | 第51-53页 |
| 5 总结与展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 个人简历 | 第61页 |