学术型论文文档元数据抽取工具的设计与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究目的与主要研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 相关技术介绍 | 第14-29页 |
| 2.1 机器学习 | 第14-15页 |
| 2.2 统计学习 | 第15-18页 |
| 2.2.1 模型 | 第16页 |
| 2.2.2 策略 | 第16-18页 |
| 2.2.3 算法 | 第18页 |
| 2.3 BP神经网络 | 第18-22页 |
| 2.3.1 BP神经网络结构 | 第19页 |
| 2.3.2 BP神经网络学习过程 | 第19-21页 |
| 2.3.3 局部极小问题 | 第21-22页 |
| 2.3.4 BP神经网络的优点 | 第22页 |
| 2.4 支持向量机(SVM) | 第22-28页 |
| 2.4.1 最大边缘超平面 | 第23-24页 |
| 2.4.2 线性支持向量机 | 第24-25页 |
| 2.4.3 核函数 | 第25-26页 |
| 2.4.4 软间隔支持向量机 | 第26-27页 |
| 2.4.5 支持向量机的优点 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 论文文档元数据抽取模型的设计 | 第29-34页 |
| 3.1 论文文档元数据 | 第29页 |
| 3.2 论文文档元数据抽取方法的分析 | 第29-30页 |
| 3.3 常用分类方法的比较 | 第30页 |
| 3.4 抽取模型方法的确定 | 第30-31页 |
| 3.5 抽取模型的总体设计 | 第31-32页 |
| 3.6 本章小结 | 第32-34页 |
| 第四章 论文文档元数据抽取工具的实现 | 第34-51页 |
| 4.1 元数据抽取模型构建框架 | 第34-35页 |
| 4.2 构建文本块特征向量 | 第35-41页 |
| 4.2.1 提取文本内容 | 第35-36页 |
| 4.2.2 文本内容预处理 | 第36-38页 |
| 4.2.3 构建特征向量 | 第38-41页 |
| 4.3 BP神经网络抽取模型的建立 | 第41-45页 |
| 4.3.1 模型的训练 | 第41-44页 |
| 4.3.2 模型的参数确定 | 第44-45页 |
| 4.4 支持向量机(SVM)抽取模型的建立 | 第45-48页 |
| 4.4.1 混合类型文本块预处理 | 第45-46页 |
| 4.4.2 文本特征向量的构建 | 第46-48页 |
| 4.4.3 SVM模型的构建 | 第48页 |
| 4.5 混合抽取模型的建立 | 第48-50页 |
| 4.6 抽取工具的实现 | 第50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 论文文档元数据抽取模型的测试 | 第51-63页 |
| 5.1 测试环境 | 第51页 |
| 5.2 测试指标 | 第51-52页 |
| 5.3 元数据抽取模型的测试 | 第52-62页 |
| 5.3.1 BP神经网络抽取模型的测试 | 第54-57页 |
| 5.3.2 支持向量机模型的测试 | 第57页 |
| 5.3.3 混合抽取模型的测试 | 第57-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结及展望 | 第63-64页 |
| 6.1 本文总结 | 第63页 |
| 6.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67页 |
