| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题来源及研究目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 中文分词研究现状 | 第11-13页 |
| 1.2.2 词性标注研究现状 | 第13-14页 |
| 1.3 基于感知器的序列标注算法 | 第14-16页 |
| 1.4 本文研究内容 | 第16-18页 |
| 1.4.1 词典和统计相结合的分词、词性标注方法 | 第16页 |
| 1.4.2 效率优化及性能提升 | 第16页 |
| 1.4.3 基于感知器算法的模型增量训练 | 第16-18页 |
| 第2章 词典与统计相结合的分词、词性标注方法 | 第18-32页 |
| 2.1 词典构建 | 第18页 |
| 2.2 词典与统计相结合的中文分词方法 | 第18-23页 |
| 2.2.1 分词使用的特征 | 第19-21页 |
| 2.2.2 实验结果及分析 | 第21-22页 |
| 2.2.3 分词领域自适应 | 第22-23页 |
| 2.3 词典与统计相结合的词性标注方法 | 第23-26页 |
| 2.3.1 词性标注使用的特征 | 第24-25页 |
| 2.3.2 实验结果及分析 | 第25-26页 |
| 2.4 感知器算法参数平均化时间比较 | 第26-31页 |
| 2.4.1 感知器算法参数平均时间 | 第26-28页 |
| 2.4.2 实验结果 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 效率优化及性能提升 | 第32-45页 |
| 3.1 感知器并行训练算法 | 第32-38页 |
| 3.1.1 直接参数融合算法 | 第32-34页 |
| 3.1.2 迭代参数融合算法 | 第34-35页 |
| 3.1.3 实验结果及分析 | 第35-38页 |
| 3.2 模型压缩 | 第38-40页 |
| 3.3 多线程并行测试 | 第40-41页 |
| 3.4 与主要开源系统比较 | 第41-42页 |
| 3.5 未标注数据在词性标注中的使用 | 第42-44页 |
| 3.5.1 未标注语料 | 第42-43页 |
| 3.5.2 聚类特征 | 第43页 |
| 3.5.3 实验结果 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于感知器算法的模型增量训练 | 第45-59页 |
| 4.1 基于感知器的模型增量训练方法 | 第45-55页 |
| 4.1.1 模型增量训练方法 | 第46-47页 |
| 4.1.2 实验结果及分析 | 第47-55页 |
| 4.2 基于 STACKED Learning 框架的跨领域中文分词方法 | 第55-58页 |
| 4.2.1 基于 Stacked Learning 的跨领域分词方法 | 第56页 |
| 4.2.2 实验结果及分析 | 第56-58页 |
| 4.3 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-68页 |