| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1. 绪论 | 第9-14页 |
| 1.1 问答系统的研究意义以及背景 | 第9-11页 |
| 1.2 问答系统目前国内外研究的现状 | 第11-13页 |
| 1.3 本文主要的研究内容 | 第13-14页 |
| 2. 语义依存关系和依存句法分析综述 | 第14-34页 |
| 2.1 语意依存关系 | 第14-16页 |
| 2.1.1 综述 | 第14-15页 |
| 2.1.2.依存语法在自然语言处理中的应用 | 第15-16页 |
| 2.2 依存句法分析 | 第16-28页 |
| 2.2.1 生成式依存句法分析 | 第22-24页 |
| 2.2.2 判别式依存句法分析 | 第24-28页 |
| 2.3 确定式依存分析方法 | 第28-32页 |
| 2.3.1 Yamada算法 | 第28-29页 |
| 2.3.2 Nivre算法 | 第29-32页 |
| 2.4 依存分析器性能评价 | 第32-33页 |
| 2.4.1 评价指标 | 第32页 |
| 2.4.2 举例说明 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3.简介机器学习-支持向量机SVM | 第34-39页 |
| 3.1 线性分类SVM | 第34-35页 |
| 3.2 线性不可分SVM | 第35-36页 |
| 3.3 核函数构造 | 第36-37页 |
| 3.4 基于支持向量机（SVM）的MST算法模型 | 第37页 |
| 3.5 基于支持向量机（SVM）的Nivre算法模型 | 第37页 |
| 3.6 本章小结 | 第37-39页 |
| 4.中文依存句法分析算法的改进 | 第39-52页 |
| 4.1 两个基础模型的结合 | 第39-42页 |
| 4.1.1 MST-Nivre模型 | 第39-40页 |
| 4.1.2 Nivre-MST模型 | 第40-42页 |
| 4.2 算法的结合与改进 | 第42-51页 |
| 4.2.1 基于依存可能性概率的中文依存分析 | 第42-46页 |
| 4.2.2 基于依存在性类别相结合的中文依存分析 | 第46-51页 |
| 4.3 本章小结 | 第51-52页 |
| 5.实验结果与分析 | 第52-58页 |
| 5.1 实验环境与语料 | 第52-53页 |
| 5.2 评测标准 | 第53页 |
| 5.3 实验结果与分析 | 第53-56页 |
| 5.3.1 单一基础模型的结果分析 | 第53-54页 |
| 5.3.2 基于存在性类别相结合的中文依存分析的分析结果 | 第54-55页 |
| 5.3.3 基于依存可能性概率的中文依存分析结果 | 第55-56页 |
| 5.4 实验结果分析 | 第56-58页 |
| 6. 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表学术论文情况 | 第63-64页 |
| 致谢 | 第64-65页 |
| 作者简介 | 第65-66页 |