| 声明 | 第1-5页 |
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 第一章 前言 | 第12-20页 |
| 1．1 信息抽取概述 | 第12-13页 |
| 1．2 本文研究背景与意义 | 第13-18页 |
| 1．3 本文研究工作概述及论文结构 | 第18-20页 |
| 第二章 统计和规则相结合的人名识别 | 第20-28页 |
| 2．1 人名及其前后缀引导词的统计分析 | 第20-23页 |
| 2．1．1 定义 | 第21-22页 |
| 2．1．2 统计分析 | 第22-23页 |
| 2．2 识别方法 | 第23-26页 |
| 2．2．1 人名识别的预处理 | 第23-24页 |
| 2．2．2 算法 | 第24-25页 |
| 2．2．3 统计的方法 | 第25-26页 |
| 2．2．4 规则的方法 | 第26页 |
| 2．2．5 不带姓氏的人名的识别和外国人名的识别 | 第26页 |
| 2．3 实验结果及分析 | 第26-27页 |
| 2．3．1 实验结果 | 第26-27页 |
| 2．3．2 分析 | 第27页 |
| 2．4 本章小结 | 第27-28页 |
| 第三章 机构名的识别与CO-TRAINING机器学习方法的应用 | 第28-39页 |
| 3．1 机构名分类及其特征分析 | 第28-30页 |
| 3．2 采用Co-Training的方法构造机构名知识库 | 第30-35页 |
| 3．2．1 机构名知识库 | 第30-32页 |
| 3．2．2 Co-Training方法 | 第32页 |
| 3．2．3 基于Co-Training的中文机构名资源自动获取方法 | 第32-35页 |
| 3．3 统计和规则相结合的中文机构名识别方法 | 第35-37页 |
| 3．3．1 统计和规则相结合的机构名识别模型 | 第35-36页 |
| 3．3．2 算法描述 | 第36-37页 |
| 3．4 实验结果与分析 | 第37-38页 |
| 3．5 本章小结 | 第38-39页 |
| 第四章 基于相似计算的模板自动获取 | 第39-48页 |
| 4．1 基于相似计算的模板自动获取方法 | 第40-45页 |
| 4．1．1 相关定义 | 第40-41页 |
| 4．1．2 模板的表示与同义词资源的建立 | 第41页 |
| 4．1．3 预处理 | 第41-42页 |
| 4．1．4 获取候选模板 | 第42页 |
| 4．1．5 模板相似计算模型 | 第42-43页 |
| 4．1．6 模板筛选 | 第43-44页 |
| 4．1．7 算法 | 第44-45页 |
| 4．2 实验与分析 | 第45-47页 |
| 4．2．1 实验1 | 第45页 |
| 4．2．2 实验2 | 第45-46页 |
| 4．2．3 实验3 | 第46页 |
| 4．2．4 讨论 | 第46-47页 |
| 4．3 本章小结 | 第47-48页 |
| 第五章 中文信息抽取系统的设计 | 第48-57页 |
| 5．1 信息抽取系统简介 | 第48页 |
| 5．2 中文信息抽取系统的设计 | 第48-49页 |
| 5．3 中文信息抽取系统的实现技术 | 第49-56页 |
| 5．3．1 文本预处理 | 第49-52页 |
| 5．3．2 命名实体识别 | 第52-53页 |
| 5．3．3 模板解析 | 第53-56页 |
| 5．3．4 数据存储 | 第56页 |
| 5．4 本章小结 | 第56-57页 |
| 第六章 结束语 | 第57-59页 |
| 6．1 研究工作总结 | 第57页 |
| 6．2 研究工作的前景 | 第57-58页 |
| 6．3 未来的研究工作 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表的论文 | 第63页 |
