基于混合统计模型的汉语命名实体识别方法的研究与实现
| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第10-17页 |
| 1．1 概述 | 第10-11页 |
| 1．2 命名实体识别发展及应用 | 第11-12页 |
| 1．3 命名实体识别难点及存在问题 | 第12-14页 |
| 1．4 命名实体识别评价 | 第14-15页 |
| 1．5 本文的主要工作 | 第15-16页 |
| 1．6 本文的结构 | 第16-17页 |
| 第二章 命名实体识别相关工作研究 | 第17-27页 |
| 2．1 命名实体识别方法概述 | 第17-18页 |
| 2．2 基于规则的方法 | 第18-22页 |
| 2．2．1 FACILE | 第19-20页 |
| 2．2．2 ANNIE | 第20-22页 |
| 2．3 常用统计语言模型 | 第22-24页 |
| 2．3．1 N元模型 | 第22-23页 |
| 2．3．2 决策树模型 | 第23-24页 |
| 2．4 混合方法 | 第24-26页 |
| 2．4．1 IdentiFinder[29] | 第24页 |
| 2．4．2 MENE[30] | 第24-25页 |
| 2．4．3 基于分类的命名实体识别系统[13] | 第25-26页 |
| 2．5 小结 | 第26-27页 |
| 第三章 基于混合统计模型的识别方法 | 第27-40页 |
| 3．1 基本思想 | 第27-28页 |
| 3．2 隐马尔可夫模型 | 第28-31页 |
| 3．2．1 viterbi算法 | 第29-30页 |
| 3．2．2 Baum—Welch算法 | 第30-31页 |
| 3．3 最大熵模型 | 第31-34页 |
| 3．3．1 特征函数 | 第32-33页 |
| 3．3．2 参数训练算法 | 第33-34页 |
| 3．4 语言知识 | 第34-39页 |
| 3．4．1 viterbi框架中的语言知识 | 第35-36页 |
| 3．4．2 最大熵模型中的知识 | 第36-37页 |
| 3．4．3 过滤阶段的知识 | 第37-38页 |
| 3．4．4 数词时间词识别中的知识 | 第38-39页 |
| 3．5 小结 | 第39-40页 |
| 第四章 实体词及数词、时间词识别 | 第40-53页 |
| 4．1 实体词识别 | 第40-47页 |
| 4．1．1 正向最大匹配法分词 | 第41-42页 |
| 4．1．2 确定状态搜索空间 | 第42-44页 |
| 4．1．3 最佳路径搜索 | 第44-46页 |
| 4．1．4 实体词合并 | 第46-47页 |
| 4．2 实体词过滤 | 第47-49页 |
| 4．3 数词和时间词识别 | 第49-52页 |
| 4．3．1 基本数词和时间词识别 | 第50-51页 |
| 4．3．2 连续基本数词和时间词合并 | 第51-52页 |
| 4．4 小结 | 第52-53页 |
| 第五章 实验数据和分析 | 第53-58页 |
| 5．1 训练语料和测试语料 | 第53-54页 |
| 5．2 实验数据来源 | 第54-55页 |
| 5．3 实验结果 | 第55页 |
| 5．4 实验结果分析 | 第55-57页 |
| 5．5 小结 | 第57-58页 |
| 结束语 | 第58-60页 |
| 攻读硕士期间发表论文 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 附录 A: 触发特征词知识列表 | 第66-67页 |
| 附录 B: 词性列表 | 第67-69页 |
| 附录 C: 识别结果示例 | 第69-70页 |
