| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第1章 绪论 | 第15-43页 |
| ·课题背景及意义 | 第15页 |
| ·研究现状 | 第15-29页 |
| ·监督学习方法研究现状 | 第15-17页 |
| ·序列标注问题的监督学习方法研究现状 | 第17-29页 |
| ·本文研究的单任务序列标注问题及其研究现状 | 第29-38页 |
| ·组块分析及其研究现状 | 第30-32页 |
| ·中文分词及其研究现状 | 第32-34页 |
| ·中文命名实体识别及其研究现状 | 第34-35页 |
| ·生物医学命名实体识别及其研究现状 | 第35-37页 |
| ·蛋白质二级结构预测及其研究现状 | 第37-38页 |
| ·本文的研究内容及创新点 | 第38-41页 |
| ·研究内容概述 | 第38-40页 |
| ·主要创新点 | 第40-41页 |
| ·本文的内容安排 | 第41-43页 |
| 第2章 基于大间隔的序列标注算法研究 | 第43-67页 |
| ·引言 | 第43页 |
| ·基于最大间隔马尔科夫网络的英文组块分析 | 第43-48页 |
| ·特征模板 | 第43-44页 |
| ·实验数据和设置 | 第44-46页 |
| ·实验结果和分析 | 第46-47页 |
| ·与其它相关工作的比较 | 第47-48页 |
| ·基于最大间隔马尔科夫网络的中文分词 | 第48-52页 |
| ·特征模板 | 第48页 |
| ·实验数据和设置 | 第48-49页 |
| ·实验结果和分析 | 第49-52页 |
| ·与其它相关工作的比较 | 第52页 |
| ·基于结构化支持向量机的生物医学命名实体识别 | 第52-63页 |
| ·生物医学命名实体识别 | 第52-53页 |
| ·实验数据 | 第53-54页 |
| ·特征 | 第54-56页 |
| ·实验结果和分析 | 第56-60页 |
| ·与其它相关工作的比较 | 第60-63页 |
| ·基于结构化支持向量机的蛋白质二级结构预测 | 第63-66页 |
| ·特征提取 | 第63-64页 |
| ·实验数据和设置 | 第64-65页 |
| ·实验结果和分析 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第3章 置信度加权在线序列标注算法 | 第67-78页 |
| ·引言 | 第67-68页 |
| ·线性决策式在线序列标注算法的形式化描述 | 第68-70页 |
| ·置信度加权在线序列标注算法 | 第70-71页 |
| ·实验结果和分析 | 第71-77页 |
| ·基于置信度加权序列标注算法的英文组块分析 | 第72-73页 |
| ·基于置信度加权序列标注算法的中文分词 | 第73-74页 |
| ·基于置信度加权序列标注算法的中文命名实体识别 | 第74页 |
| ·基于置信度加权序列标注算法的生物医学命名实体识别 | 第74-75页 |
| ·置信度相关参数的影响 | 第75页 |
| ·迭代次数对预测性能的影响 | 第75-77页 |
| ·本章小结 | 第77-78页 |
| 第4章 基于频度的在线自适应N-gram序列标注学习算法 | 第78-90页 |
| ·引言 | 第78-79页 |
| ·基于词频的N-gram序列标注算法 | 第79-80页 |
| ·在线自适应N-gram序列标注学习算法 | 第80-82页 |
| ·自然学习 | 第80页 |
| ·强制学习 | 第80-81页 |
| ·类感知器学习 | 第81-82页 |
| ·一种改进的学习模式 | 第82-83页 |
| ·实验和分析 | 第83-89页 |
| ·基于词网格的N-gram音字转换 | 第83-84页 |
| ·实验结果和分析 | 第84-87页 |
| ·在线自适应拼音汉字输入系统 | 第87-89页 |
| ·本章小结 | 第89-90页 |
| 第5章 基于重排序技术的Stacking集成序列标注学习算法 | 第90-104页 |
| ·引言 | 第90-91页 |
| ·基于重排序技术的Stacking集成学习算法 | 第91-99页 |
| ·Stacking集成学习 | 第92-93页 |
| ·基于重排序技术的Stacking集成学习算法 | 第93-95页 |
| ·实验数据和设置 | 第95-97页 |
| ·实验结果和分析 | 第97-99页 |
| 小结 | 第99页 |
| ·基于重排序技术的Stacking集成序列标注学习算法 | 第99-103页 |
| ·实验数据和设置 | 第101页 |
| ·实验结果和分析 | 第101-103页 |
| ·小结 | 第103页 |
| ·本章小结 | 第103-104页 |
| 第6章 基于多任务序列标注级联学习算法的Hedge及其作用范围识别 | 第104-113页 |
| ·引言 | 第104-105页 |
| ·Hedge及其作用范围表示形式 | 第105-106页 |
| ·Hedge及其作用范围识别级联系统 | 第106-110页 |
| ·Hedge识别子系统 | 第106-109页 |
| ·Hedge作用范围识别子系统 | 第109-110页 |
| ·实验结果和分析 | 第110-112页 |
| ·Hedge识别结果和分析 | 第111页 |
| ·Hedge作用范围识别结果和分析 | 第111-112页 |
| ·本章小结 | 第112-113页 |
| 结论 | 第113-116页 |
| 参考文献 | 第116-132页 |
| 攻读博士学位期间发表的学术论文及其它成果 | 第132-135页 |
| 致谢 | 第135-136页 |
| 个人简历 | 第136页 |
