| 提要 | 第1-7页 |
| 第1章 绪论 | 第7-13页 |
| ·领域本体构建的研究背景与意义 | 第7-8页 |
| ·研究背景 | 第7页 |
| ·研究意义 | 第7-8页 |
| ·领域本体构建的研究现状 | 第8-11页 |
| ·几种常见的本体学习方法 | 第8-9页 |
| ·基于文本的本体学习方法 | 第9-10页 |
| ·几种代表性的本体学习工具 | 第10-11页 |
| ·领域本体构建存在的问题 | 第11页 |
| ·本文内容安排 | 第11-13页 |
| 第2章 本体理论与本体学习技术 | 第13-25页 |
| ·本体理论 | 第13-16页 |
| ·本体概念 | 第13页 |
| ·本体分类 | 第13-15页 |
| ·本体模型 | 第15-16页 |
| ·本体描述语言 | 第16页 |
| ·本体构建准则 | 第16页 |
| ·本体学习技术 | 第16-24页 |
| ·基于语言学的方法 | 第16-17页 |
| ·基于统计的方法 | 第17-18页 |
| ·基于模式匹配的方法 | 第18-19页 |
| ·基于关联规则的方法 | 第19-20页 |
| ·层次聚类的方法 | 第20-21页 |
| ·平面划分聚类的方法 | 第21-22页 |
| ·SVM支持向量机的方法 | 第22-23页 |
| ·形式概念分析的方法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于语言学、统计和主动学习的领域概念学习 | 第25-40页 |
| ·概念学习模块 | 第25-26页 |
| ·术语自动抽取 | 第26-33页 |
| ·基于Gate的文本预处理 | 第26-28页 |
| ·基于语言学和统计的名词抽取 | 第28-30页 |
| ·基于语言学和统计的名词性短语抽取 | 第30-33页 |
| ·术语语义排岐 | 第33-39页 |
| ·WordNet简介 | 第33页 |
| ·相关概念 | 第33-35页 |
| ·文本向量矩阵学习 | 第35-36页 |
| ·术语语境矩阵学习 | 第36-37页 |
| ·基于WordNet和主动学习的语义排岐 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于关联挖掘、模式匹配和WordNet的概念关系学习 | 第40-52页 |
| ·关系学习模块 | 第40-41页 |
| ·分类关系学习 | 第41-44页 |
| ·相关概念 | 第41-42页 |
| ·基于Apriori算法的二元关联抽取 | 第42-43页 |
| ·基于WordNet的分类关系学习 | 第43页 |
| ·基于二元关联集和模式匹配的分类关系学习 | 第43-44页 |
| ·语义关系学习 | 第44-47页 |
| ·相关概念 | 第45页 |
| ·基于语言学和统计的动词抽取 | 第45-46页 |
| ·基于NNV三元关联的语义关系学习 | 第46-47页 |
| ·概念属性学习 | 第47-51页 |
| ·基于WordNet的属性学习 | 第48页 |
| ·基于二元关联集和模式匹配的属性学习 | 第48-49页 |
| ·基于NNN三元关联的属性学习 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 系统实现与结果分析 | 第52-58页 |
| ·系统实现 | 第52-53页 |
| ·评估方法 | 第53页 |
| ·实验与结果分析 | 第53-58页 |
| ·实验基础 | 第53-54页 |
| ·领域概念学习 | 第54-55页 |
| ·分类关系学习 | 第55页 |
| ·语义关系学习 | 第55-56页 |
| ·概念属性学习 | 第56-58页 |
| 第6章 总结与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第62-63页 |
| 致谢 | 第63-64页 |
| 摘要 | 第64-66页 |
| Abstract | 第66-68页 |