| 摘要 | 第1-7页 |
| ABSTRACT | 第7-14页 |
| 1 绪论 | 第14-20页 |
| ·研究背景 | 第14-15页 |
| ·研究动机 | 第15-16页 |
| ·研究意义 | 第16-17页 |
| ·本文工作与创新 | 第17-18页 |
| ·论文结构 | 第18-20页 |
| 2 实体关系抽取研究现状 | 第20-62页 |
| ·面向结构化/非结构化文本的实体关系抽取 | 第22-28页 |
| ·基于开放信息抽取方法的实体关系抽取 | 第23页 |
| ·基于语义Web(本体)的实体关系抽取 | 第23-25页 |
| ·基于NLP的实体关系抽取 | 第25-27页 |
| ·基于文本挖掘的实体关系抽取 | 第27-28页 |
| ·预定义/非预定义关系类别的实体关系抽取 | 第28-31页 |
| ·ACE预定义的关系类别 | 第28-30页 |
| ·非预定义关系类别的实体关系抽取 | 第30-31页 |
| ·基于知识工程/机器学习的实体关系抽取 | 第31-43页 |
| ·基于模式匹配的关系抽取 | 第32-33页 |
| ·基于本体的实体关系抽取 | 第33-34页 |
| ·基于特征向量的的实体关系抽取 | 第34-35页 |
| ·基于核函数的的实体关系抽取 | 第35-39页 |
| ·基于无监督学习的关系抽取 | 第39页 |
| ·基于半监督学习的关系抽取 | 第39-43页 |
| ·简单/复杂实体关系抽取 | 第43-49页 |
| ·隐含关系抽取 | 第43-44页 |
| ·多元关系抽取 | 第44-48页 |
| ·远距离关系抽取 | 第48-49页 |
| ·专门/一般领域的实体关系抽取 | 第49-55页 |
| ·Part-Whole关系的抽取 | 第49-50页 |
| ·生物医学实体关系抽取 | 第50-53页 |
| ·一种语言独立和领域独立的自举的二元关系模式获取方法BRPAM | 第53-55页 |
| ·实体关系抽取的其它方法 | 第55-58页 |
| ·基于混合模型的实体关系抽取 | 第55-56页 |
| ·基于社会网络的实体关系抽取 | 第56-58页 |
| ·关系抽取面临的困难 | 第58-60页 |
| ·本章小结 | 第60-62页 |
| 3 基于描述逻辑的细粒度关系建模 | 第62-88页 |
| ·描述逻辑基本原理 | 第62-67页 |
| ·概念及关系的描述 | 第62-64页 |
| ·描述逻辑符号的语法和语义 | 第64-65页 |
| ·知识库 | 第65-66页 |
| ·推理 | 第66-67页 |
| ·描述逻辑在自然语言处理中的应用 | 第67-71页 |
| ·词汇语义解释 | 第67-68页 |
| ·上下文的意义 | 第68-70页 |
| ·领域知识和背景知识表示 | 第70-71页 |
| ·EAV依赖 | 第71-72页 |
| ·本体依赖 | 第71页 |
| ·角色依赖 | 第71页 |
| ·外部依赖 | 第71-72页 |
| ·EAV整体性 | 第72-80页 |
| ·EAV整体结构 | 第72-74页 |
| ·整体性的特殊语义 | 第74-75页 |
| ·角色的整体表示 | 第75-80页 |
| ·EAV描述逻辑ALCIQ(EAV) | 第80-87页 |
| ·基本思想 | 第80-81页 |
| ·一个例子 | 第81页 |
| ·ALCIQ(EAV)语法 | 第81-82页 |
| ·ALCIQ(EAV)语义 | 第82-84页 |
| ·ALCIQ(EAV)推理算法 | 第84-85页 |
| ·ALCIQ(EAV)推理算法的正确性证明 | 第85-87页 |
| ·本章小结 | 第87-88页 |
| 4 基于HNC的词语语义关联度计算 | 第88-127页 |
| ·HNC基本原理 | 第89-103页 |
| ·概念符号体系 | 第89-94页 |
| ·句类符号体系 | 第94-95页 |
| ·语境符号体系 | 第95-97页 |
| ·句类知识 | 第97-103页 |
| ·基于HNC的语料标注 | 第103-112页 |
| ·一些定义 | 第103-104页 |
| ·语料语言空间的标注符号 | 第104-105页 |
| ·语言空间标注符号的使用 | 第105-107页 |
| ·语料语言概念空间的标注符号 | 第107-108页 |
| ·语言概念空间标注符号的使用 | 第108-112页 |
| ·语义相似度计算 | 第112-115页 |
| ·HNC组合符号相似度计算规则 | 第112-114页 |
| ·词语语义相似度计算算法设计 | 第114页 |
| ·实验结果及分析 | 第114-115页 |
| ·语义相关度度计算 | 第115-118页 |
| ·统计方法 | 第116页 |
| ·知识库方法 | 第116-118页 |
| ·语义关联度计算 | 第118-125页 |
| ·基于相关度进行关系分析存在的问题 | 第118-119页 |
| ·孤立词语的联想 | 第119-122页 |
| ·隐含关系的发现 | 第122-125页 |
| ·本章小结 | 第125-127页 |
| 5 基于半监督学习的关系类别识别 | 第127-147页 |
| ·半监督学习框架 | 第128-132页 |
| ·框架描述 | 第128-130页 |
| ·半监督学习 | 第130-131页 |
| ·基于正例和未标注数据的学习算法 | 第131-132页 |
| ·面向维基百科的特征抽取 | 第132-136页 |
| ·有关维基百科的研究 | 第132-134页 |
| ·特征抽取 | 第134-135页 |
| ·特征权重计算 | 第135-136页 |
| ·关系类别聚类 | 第136-141页 |
| ·关系模式 | 第136-137页 |
| ·关系模式生成 | 第137-139页 |
| ·关系类别聚类 | 第139-141页 |
| ·细粒度关系聚类实验分析 | 第141-146页 |
| ·实验设置 | 第141-142页 |
| ·评估 | 第142页 |
| ·结构特征对关系聚类的影响 | 第142-144页 |
| ·基于正例和未标注数据学习的关系抽取 | 第144-146页 |
| ·本章小结 | 第146-147页 |
| 6 细粒度关系抽取应用——科技术语分析 | 第147-162页 |
| ·科技术语与属性定义 | 第148-152页 |
| ·关于属性 | 第148-149页 |
| ·属性与概念 | 第149页 |
| ·术语与概念 | 第149-151页 |
| ·术语分类 | 第151-152页 |
| ·科技术语分析 | 第152-155页 |
| ·科技术语分析流程 | 第152-153页 |
| ·术语-属性关联度计算 | 第153-154页 |
| ·术语-属性关系抽取 | 第154-155页 |
| ·科技术语分析实验 | 第155-161页 |
| ·实验设计 | 第155-156页 |
| ·实验过程 | 第156-159页 |
| ·实验结果分析 | 第159-161页 |
| ·本章小结 | 第161-162页 |
| 7 工作总结与展望 | 第162-164页 |
| ·工作总结 | 第162-163页 |
| ·展望 | 第163-164页 |
| 致谢 | 第164-165页 |
| 参考文献 | 第165-173页 |
| 在学期间科研成果 | 第173-174页 |