| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 新闻要素识别的研究现状 | 第12-14页 |
| 1.2.1 基于模板匹配的方法 | 第13-14页 |
| 1.2.2 基于机器学习的方法 | 第14页 |
| 1.3 研究内容及章节安排 | 第14-16页 |
| 1.3.1 本文的研究内容 | 第14-15页 |
| 1.3.2 本文的组织结构 | 第15-16页 |
| 第二章 相关技术综述 | 第16-20页 |
| 2.1 自然语言处理技术 | 第16-19页 |
| 2.1.1 基本概述 | 第16页 |
| 2.1.2 基础技术 | 第16-19页 |
| 2.2 事件抽取技术 | 第19-20页 |
| 第三章 新闻关键事件句的自动识别 | 第20-38页 |
| 3.1 新闻特征分析及相关名词解释 | 第20-22页 |
| 3.2 新闻关键事件句识别框架 | 第22-24页 |
| 3.3 关键词抽取 | 第24-26页 |
| 3.3.1 关键词抽取算法 | 第24-25页 |
| 3.3.2 关键词抽取过程 | 第25-26页 |
| 3.4 标题可参考性度量 | 第26-31页 |
| 3.4.1 基于《同义词词林(扩展版)》的标题词扩展方法 | 第27-28页 |
| 3.4.2 基于Word2Vec的标题词扩展方法 | 第28-31页 |
| 3.5 基于多维特征加权的关键事件句识别 | 第31-34页 |
| 3.5.1 句子特征选取 | 第31-33页 |
| 3.5.2 权重参数训练 | 第33-34页 |
| 3.6 实验与分析 | 第34-36页 |
| 3.6.1 语料构造 | 第34-35页 |
| 3.6.2 评价标准 | 第35页 |
| 3.6.3 对比实验 | 第35-36页 |
| 3.6.4 结果分析 | 第36页 |
| 3.7 本章小结 | 第36-38页 |
| 第四章 新闻要素的自动识别 | 第38-44页 |
| 4.1 语义角色标注 | 第38-39页 |
| 4.2 句子依存关系 | 第39-40页 |
| 4.3 基于语义角色标注和句法分析的要素识别 | 第40-41页 |
| 4.4 实验与分析 | 第41-42页 |
| 4.4.1 语料构造 | 第41页 |
| 4.4.2 评价标准 | 第41页 |
| 4.4.3 实验结果 | 第41-42页 |
| 4.4.4 结果分析 | 第42页 |
| 4.5 本章小结 | 第42-44页 |
| 第五章 要素识别系统的总体设计 | 第44-52页 |
| 5.1 需求分析 | 第44-45页 |
| 5.1.1 功能需求 | 第44页 |
| 5.1.2 非功能需求 | 第44-45页 |
| 5.2 总体架构 | 第45-46页 |
| 5.3 技术路线 | 第46-47页 |
| 5.4 功能模块设计 | 第47-48页 |
| 5.5 数据库的设计 | 第48-51页 |
| 5.5.1 系统E-R图 | 第48-49页 |
| 5.5.2 数据库表设计 | 第49-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第六章 要素识别系统的模块设计与实现 | 第52-64页 |
| 6.1 预处理子模块的设计与实现 | 第52-53页 |
| 6.1.1 模块描述 | 第52-53页 |
| 6.1.2 文本清洗 | 第53页 |
| 6.1.3 分句处理 | 第53页 |
| 6.1.4 分词处理、词性标注和实体抽取 | 第53页 |
| 6.2 关键事件句识别子模块设计与实现 | 第53-58页 |
| 6.2.1 模块描述 | 第53-54页 |
| 6.2.2 模块的输入与输出 | 第54页 |
| 6.2.3 模块的数据流程 | 第54-58页 |
| 6.3 事件要素抽取子模块的设计与实现 | 第58-60页 |
| 6.3.1 模块描述 | 第58页 |
| 6.3.2 模块的输入输出 | 第58页 |
| 6.3.3 数据流程图 | 第58-60页 |
| 6.3.4 类的设计与实现 | 第60页 |
| 6.4 结果展示模块子模块的设计与实现 | 第60-62页 |
| 6.5 本章小结 | 第62-64页 |
| 第七章 论文工作总结与展望 | 第64-66页 |
| 7.1 系统应用现状 | 第64页 |
| 7.2 论文工作内容 | 第64-65页 |
| 7.3 下一步工作展望 | 第65-66页 |
| 参考文献 | 第66-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间取得的研究成果 | 第70页 |