| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-20页 |
| ·本文研究目的和意义 | 第10-11页 |
| ·课题来源 | 第10页 |
| ·本研究的意义 | 第10-11页 |
| ·相关概念的定义和研究综述 | 第11-18页 |
| ·常识的定义和相关研究 | 第11-13页 |
| ·事件的定义和相关研究 | 第13-14页 |
| ·事件时序关系的分类和相关研究 | 第14-18页 |
| ·本文的主要组织和结构 | 第18-20页 |
| 第2章 语料库的加工与构建 | 第20-30页 |
| ·引言 | 第20页 |
| ·语料库构建 | 第20-22页 |
| ·语料来源 | 第20页 |
| ·Wikipedia | 第20-21页 |
| ·处理XML 文档方法 | 第21-22页 |
| ·Wiki 语料整理流程 | 第22-25页 |
| ·Wiki 文章的提取 | 第22-23页 |
| ·单篇文章的过滤 | 第23-25页 |
| ·格式规范化输出 | 第25页 |
| ·实验结果及分析 | 第25-29页 |
| ·Wiki 英文文章提取结果 | 第25-26页 |
| ·Wiki 文章过滤 | 第26-28页 |
| ·格式规范化 | 第28页 |
| ·实验结果评价 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 事件的识别与抽取 | 第30-42页 |
| ·引言 | 第30页 |
| ·事件的识别 | 第30-32页 |
| ·Evita | 第30-32页 |
| ·基于Evita 的事件识别 | 第32页 |
| ·事件的抽取 | 第32-38页 |
| ·语义角色标注 | 第32-33页 |
| ·基于VerbNet 的事件受事者的抽取 | 第33-37页 |
| ·基于WordNet 的形态学词形还原 | 第37-38页 |
| ·事件的输出 | 第38-39页 |
| ·实验结果及分析 | 第39-41页 |
| ·在TimeBank 上实验结果及分析 | 第40页 |
| ·Wikipedia 和TimeBank 上语料测试结果 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 事件时序关系的识别与抽取 | 第42-50页 |
| ·引言 | 第42页 |
| ·事件时序关系的识别 | 第42-44页 |
| ·利用TARSQI 对识别事件时序关系 | 第42-44页 |
| ·事件时序关系的抽取 | 第44-45页 |
| ·实验结果及分析 | 第45-49页 |
| ·在Wiki 语料测试TLINK 占有率的实验结果 | 第45-46页 |
| ·在TimeBank 上的测试结果 | 第46-47页 |
| ·TLINK 来源分类分析 | 第47-48页 |
| ·单文档事件时序关系结果 | 第48页 |
| ·实验结论 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 事件时序关系的合并和模型的建立 | 第50-60页 |
| ·引言 | 第50页 |
| ·词语相似度计算 | 第50-53页 |
| ·基于Lin 提出的词语相似度计算 | 第50-53页 |
| ·事件时序关系的合并 | 第53-54页 |
| ·高频事件统计 | 第53页 |
| ·针对高频事件的时序关系抽取 | 第53-54页 |
| ·事件时序关系模型的建立 | 第54-55页 |
| ·事件相似度的计算 | 第54-55页 |
| ·事件合并建立事件时序关系模型 | 第55页 |
| ·实验数据结果及分析 | 第55-59页 |
| ·高频事件统计结果 | 第55-57页 |
| ·事件合并阈值的确定 | 第57页 |
| ·针对高频事件建立时序关系模型 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |