| 表目录 | 第6-7页 |
| 图目录 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 选题背景与研究意义 | 第11-12页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 事件抽取基础 | 第12-14页 |
| 1.2.1 事件的定义 | 第12-13页 |
| 1.2.2 突发事件的定义和特点 | 第13-14页 |
| 1.3 事件抽取研究现状 | 第14-17页 |
| 1.3.1 基于模式匹配的事件抽取方法 | 第15-16页 |
| 1.3.2 基于机器学习的事件抽取方法 | 第16-17页 |
| 1.4 论文研究内容与结构安排 | 第17-20页 |
| 1.4.1 研究内容 | 第17-18页 |
| 1.4.2 论文结构 | 第18-20页 |
| 第二章 基于领域特征词的突发事件层次分类 | 第20-36页 |
| 2.1 突发事件层次分类原理分析 | 第20-21页 |
| 2.2 突发事件类别体系结构 | 第21-25页 |
| 2.2.1 分类依据和原则 | 第21-22页 |
| 2.2.2 类别体系结构 | 第22-24页 |
| 2.2.3 虚拟类别树构建 | 第24-25页 |
| 2.3 基于领域特征词的突发事件层次分类方法 | 第25-31页 |
| 2.3.1 方法流程 | 第25-26页 |
| 2.3.2 向量空间模型 | 第26页 |
| 2.3.3 基于领域特征词提取的特征选择算法 | 第26-28页 |
| 2.3.4 基于二叉树的 SVM 多类分类算法 | 第28-31页 |
| 2.4 实验结果及分析 | 第31-35页 |
| 2.4.1 实验数据 | 第31-32页 |
| 2.4.2 评价指标 | 第32页 |
| 2.4.3 实验结果与分析 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于 ISODATA 聚类分析的事件抽取 | 第36-52页 |
| 3.1 基于 ISODATA 聚类分析的事件抽取原理分析 | 第36-37页 |
| 3.2 相关数学模型 | 第37-40页 |
| 3.2.1 最大熵模型 | 第37-38页 |
| 3.2.2 ISODATA 聚类分析算法 | 第38-40页 |
| 3.3 基于 ISODATA 聚类分析的事件抽取方法 | 第40-48页 |
| 3.3.1 方法流程 | 第40-41页 |
| 3.3.2 基于最大熵模型的事件实例识别算法 | 第41-44页 |
| 3.3.3 事件相似度计算 | 第44-47页 |
| 3.3.4 ISODATA 算法改进 | 第47-48页 |
| 3.3.5 事件分类算法 | 第48页 |
| 3.4 实验结果及分析 | 第48-51页 |
| 3.4.1 实验数据 | 第49页 |
| 3.4.2 实验结果与分析 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于事件框架的突发事件主题描述 | 第52-68页 |
| 4.1 基于事件框架的突发事件主题描述原理分析 | 第52-53页 |
| 4.2 突发事件框架 | 第53-57页 |
| 4.2.1 框架理论 | 第53页 |
| 4.2.2 事件框架 | 第53-54页 |
| 4.2.3 基于生命周期的突发事件框架 | 第54-57页 |
| 4.3 基于事件框架的突发事件主题描述方法 | 第57-61页 |
| 4.3.1 方法流程 | 第57-58页 |
| 4.3.2 基于事件抽取的多文档摘要算法 | 第58-61页 |
| 4.4 实验结果及分析 | 第61-66页 |
| 4.4.1 实验数据 | 第61-62页 |
| 4.4.2 实验结果与分析 | 第62-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68页 |
| 5.2 下一步工作 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第75-76页 |
| 致谢 | 第76页 |