| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 任务定义 | 第10页 |
| 1.2 研究背景和意义 | 第10-12页 |
| 1.3 相关工作 | 第12-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 数据集与评价标准 | 第16-17页 |
| 1.6 论文结构 | 第17-18页 |
| 第二章 基于神经网络的依存句法分析方法 | 第18-31页 |
| 2.1 动机 | 第18-19页 |
| 2.2 基于图的双仿射神经网络句法分析器 | 第19-24页 |
| 2.2.1 基于图的依存句法分析方法 | 第19-20页 |
| 2.2.2 神经网络模型 | 第20-22页 |
| 2.2.3 CRF损失函数 | 第22-23页 |
| 2.2.4 参数设置 | 第23-24页 |
| 2.3 基于转移的全局归一化神经网络句法分析器 | 第24-29页 |
| 2.3.1 转移系统 | 第24-26页 |
| 2.3.2 神经网络模型 | 第26-27页 |
| 2.3.3 训练方法与损失函数 | 第27-29页 |
| 2.3.4 参数设置 | 第29页 |
| 2.4 实验结果 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于局部标注的依存句法分析训练方法 | 第31-47页 |
| 3.1 动机 | 第31-32页 |
| 3.2 基于局部标注数据的模型训练 | 第32-39页 |
| 3.2.1 直接训练策略 | 第32-38页 |
| 3.2.2 先补全再训练策略 | 第38-39页 |
| 3.3 实验数据 | 第39-41页 |
| 3.3.1 随机选择 | 第39-40页 |
| 3.3.2 最不确定的任务 | 第40页 |
| 3.3.3 不一致选择 | 第40-41页 |
| 3.4 实验与分析 | 第41-46页 |
| 3.4.1 参数设置 | 第41页 |
| 3.4.2 不同分析器在全标注数据上的性能 | 第41页 |
| 3.4.3 直接训练策略的结果 | 第41-44页 |
| 3.4.4 先补全再训练策略的结果 | 第44-45页 |
| 3.4.5 测试集结果：直接训练vs.先补全再训练 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 面向依存句法分析的基于局部标注的主动学习 | 第47-61页 |
| 4.1 动机 | 第47-48页 |
| 4.2 面向依存句法分析的主动学习方法 | 第48-52页 |
| 4.2.1 句子级别的全标注 | 第49-50页 |
| 4.2.2 单一依存弧级别的局部标注 | 第50-51页 |
| 4.2.3 批量依存弧级别的局部标注 | 第51-52页 |
| 4.3 仿真实验 | 第52-56页 |
| 4.3.1 实验数据与参数设置 | 第52页 |
| 4.3.2 全标注vs.单一依存弧级别的局部标注 | 第52-54页 |
| 4.3.3 单一vs.批量依存弧级别的局部标注 | 第54-56页 |
| 4.3.4 测试集结果 | 第56页 |
| 4.4 人工标注实验 | 第56-60页 |
| 4.4.1 标注平台 | 第57-58页 |
| 4.4.2 标注过程 | 第58-59页 |
| 4.4.3 标注结果分析 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结和展望 | 第61-63页 |
| 5.1 工作总结 | 第61-62页 |
| 5.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读学位期间的成果 | 第69-70页 |
| 致谢 | 第70-71页 |