| 摘要 | 第1-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第11-20页 |
| ·研究背景和意义 | 第11-13页 |
| ·研究背景 | 第11-12页 |
| ·研究意义 | 第12-13页 |
| ·相关研究综述 | 第13-17页 |
| ·基于统计模型的组块分析 | 第13-16页 |
| ·基于规则的组块分析 | 第16-17页 |
| ·本文的主要研究工作 | 第17-18页 |
| ·本文的组织结构 | 第18-20页 |
| 第二章 组块的研究和定义 | 第20-32页 |
| ·引言 | 第20页 |
| ·组块的研究 | 第20-26页 |
| ·英语组块的现有研究 | 第20-22页 |
| ·汉语组块的现有研究 | 第22-24页 |
| ·本文对组块的界定 | 第24-26页 |
| ·组块的标注 | 第26-27页 |
| ·实验语料的获取 | 第27-31页 |
| ·宾州树库研究 | 第27-28页 |
| ·组块库的获取 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 SVM 理论和基于转换的错误驱动学习方法 | 第32-40页 |
| ·引言 | 第32页 |
| ·SVM 基本原理 | 第32-35页 |
| ·最优分类超平面 | 第33-34页 |
| ·广义最优分类超平面 | 第34页 |
| ·非线性可分最优分类超平面 | 第34-35页 |
| ·SVM 训练算法介绍 | 第35-37页 |
| ·块算法 | 第36页 |
| ·固定工作样本集的方法 | 第36页 |
| ·序贯最小优化算法(SMO) | 第36-37页 |
| ·基于SVM 多类别分类方法 | 第37-38页 |
| ·基于转换的错误驱动学习方法 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 SVM 和基于转换的错误驱动学习相结合的组块识别 | 第40-48页 |
| ·引言 | 第40页 |
| ·机器学习中的特征选择 | 第40-41页 |
| ·SVM 特征向量的确定 | 第41-43页 |
| ·影响组块分析的语言特征 | 第41-42页 |
| ·SVM 特征向量的特征选取 | 第42-43页 |
| ·基于转换的错误驱动学习的规则获取 | 第43-45页 |
| ·初始状态标注器的构造 | 第43-44页 |
| ·转换规则模板的构造 | 第44-45页 |
| ·评价函数的定义 | 第45页 |
| ·系统的实现 | 第45-46页 |
| ·本章小结 | 第46-48页 |
| 第五章 实验结果及分析 | 第48-65页 |
| ·实验设置 | 第48页 |
| ·汉语组块识别结果及分析 | 第48-51页 |
| ·基于SVM 的汉语组块识别 | 第48-49页 |
| ·汉语组块的基于转换的错误驱动学习 | 第49-51页 |
| ·英语组块识别结果及分析 | 第51-53页 |
| ·基于SVM 的英语组块识别 | 第51-52页 |
| ·英语组块的基于转换的错误驱动学习 | 第52-53页 |
| ·影响SVM 组块分析结果的因素 | 第53-63页 |
| ·组块的定义对组块分析结果的影响 | 第53-55页 |
| ·特征选择对组块分析结果的影响 | 第55-59页 |
| ·学习曲线 | 第59-63页 |
| ·本章小结 | 第63-65页 |
| 第六章 结束语 | 第65-67页 |
| 本文的研究工作 | 第65-66页 |
| 今后的工作 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 作者在学期间取得的学术成果 | 第71页 |