| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 相关工作 | 第11-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第二章 基本知识与数据介绍 | 第18-23页 |
| 2.1 浅层篇章结构关系 | 第18-20页 |
| 2.2 语料资源 | 第20-22页 |
| 2.3 评价指标 | 第22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于传统离散特征的浅层篇章结构分析系统 | 第23-36页 |
| 3.1 动机 | 第23页 |
| 3.2 有监督的机器学习方法 | 第23-26页 |
| 3.2.1 线性模型 | 第23-24页 |
| 3.2.2 最大熵模型 | 第24-25页 |
| 3.2.3 全局线性模型 | 第25-26页 |
| 3.3 级联式系统及方法 | 第26-34页 |
| 3.3.1 篇章连接词识别器 | 第27-29页 |
| 3.3.2 显式关系论元句子定位器 | 第29-32页 |
| 3.3.3 显式关系论元词语定位器 | 第32-33页 |
| 3.3.4 显式关系分类器 | 第33页 |
| 3.3.5 隐式论元词语定位器 | 第33页 |
| 3.3.6 隐式关系分类器 | 第33-34页 |
| 3.4 实验 | 第34-35页 |
| 3.4.1 实验设置 | 第34页 |
| 3.4.2 实验结果与讨论 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于神经网络的浅层篇章结构隐式关系分类 | 第36-54页 |
| 4.1 动机 | 第36页 |
| 4.2 基于前馈神经网络的隐式关系分类 | 第36-41页 |
| 4.3 基于循环神经网络的隐式关系分类 | 第41-48页 |
| 4.3.1 基于基本循环神经网络的方法 | 第41-43页 |
| 4.3.2 基于长短时记忆(LSTM)循环神经网络的方法 | 第43-46页 |
| 4.3.3 基于结合自注意力机制的双向LSTM的方法 | 第46-48页 |
| 4.4 基于卷积神经网络的隐式关系分类 | 第48-50页 |
| 4.5 实验 | 第50-53页 |
| 4.5.1 数据集 | 第50页 |
| 4.5.2 实验设置及基准系统 | 第50-51页 |
| 4.5.3 实验结果与讨论 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 基于句法信息的浅层篇章结构隐式关系分类 | 第54-61页 |
| 5.1 动机 | 第54-55页 |
| 5.2 基于双仿射深层神经网络的依存句法分析模型 | 第55-56页 |
| 5.3 结合句法信息的浅层篇章结构隐式关系分类模型 | 第56-58页 |
| 5.4 实验 | 第58-60页 |
| 5.4.1 实验设置及基准系统 | 第58-59页 |
| 5.4.2 实验结果与讨论 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结和展望 | 第61-63页 |
| 6.1 工作总结 | 第61页 |
| 6.2 工作展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读学位期间的成果 | 第69-71页 |
| 致谢 | 第71-72页 |
