| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 引言 | 第10-12页 |
| 1.2 关系抽取的历史 | 第12-13页 |
| 1.3 关系抽取研究现状 | 第13-17页 |
| 1.3.1 有监督的方法 | 第14-16页 |
| 1.3.2 半监督方法 | 第16-17页 |
| 1.4 论文主要工作及研究成果 | 第17-18页 |
| 1.5 论文结构安排 | 第18-20页 |
| 第二章 半监督关系抽取的相关技术与理论 | 第20-26页 |
| 2.1 关系抽取理论研究 | 第20-21页 |
| 2.1.1 关系抽取的形式化定义 | 第20页 |
| 2.1.2 关系抽取的优化思路 | 第20-21页 |
| 2.2 半监督关系抽取技术 | 第21-24页 |
| 2.2.1 Co-training半监督算法 | 第21-22页 |
| 2.2.2 Co-training与关系抽取 | 第22-23页 |
| 2.2.3 Co-training关系抽取的语义漂移 | 第23-24页 |
| 2.3 语料集和评价标准 | 第24-25页 |
| 2.3.1 语料集 | 第24页 |
| 2.3.2 评价标准 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 防止语义漂移的co-training关系抽取改进算法 | 第26-36页 |
| 3.1 算法分析与流程 | 第26-29页 |
| 3.1.1 训练过程 | 第26-29页 |
| 3.1.2 使用过程 | 第29页 |
| 3.2 算法设计 | 第29-32页 |
| 3.2.1 命名实体增强 | 第30页 |
| 3.2.2 实体匹配 | 第30-31页 |
| 3.2.3 最短路径匹配 | 第31页 |
| 3.2.4 共指消解 | 第31-32页 |
| 3.2.5 模板匹配与实体对匹配函数 | 第32页 |
| 3.3 防止语义漂移公式 | 第32-34页 |
| 3.4 实验设计 | 第34-35页 |
| 3.5 实验结果分析 | 第35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于word embedding的co-training关系抽取算法 | 第36-44页 |
| 4.1 Word embedding与关系抽取 | 第36-38页 |
| 4.1.1 Word embedding技术背景与理论研究 | 第36-37页 |
| 4.1.2 Word embedding应用于关系抽取 | 第37-38页 |
| 4.2 Word Embedding的应用 | 第38-42页 |
| 4.2.1 模板生成函数改造 | 第38-39页 |
| 4.2.2 Word embedding与相似度 | 第39-42页 |
| 4.3 实验设计 | 第42-43页 |
| 4.4 结果分析 | 第43-44页 |
| 第五章 基于核函数的co-training关系抽取算法 | 第44-50页 |
| 5.1 核函数的模型建立 | 第44-46页 |
| 5.1.1 核函数介绍 | 第44-45页 |
| 5.1.2 SVM实验策略 | 第45页 |
| 5.1.3 实验结果分析 | 第45-46页 |
| 5.2 有监督与co-training关系抽取算法结合 | 第46-48页 |
| 5.2.1 算法结合的可行性 | 第46页 |
| 5.2.2 算法流程设计 | 第46-48页 |
| 5.3 实验结果分析 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 KBP关系抽取系统搭建 | 第50-57页 |
| 6.1 关系抽取任务介绍 | 第50-53页 |
| 6.1.1 任务介绍 | 第50-51页 |
| 6.1.2 关系的层次分类 | 第51-52页 |
| 6.1.3 任务中其他的自然语言处理问题 | 第52-53页 |
| 6.2 KBP关系抽取系统搭建 | 第53-56页 |
| 6.2.1 索引与查询 | 第54-55页 |
| 6.2.2 预处理 | 第55页 |
| 6.2.3 词向量训练 | 第55-56页 |
| 6.2.4 后处理 | 第56页 |
| 6.3 系统成果与总结 | 第56-57页 |
| 第七章 总结和展望 | 第57-59页 |
| 7.1 成果总结 | 第57-58页 |
| 7.2 不足与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表论文 | 第63页 |
