| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 论文的研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.3.1 领域术语抽取实现 | 第12页 |
| 1.3.2 领域概念抽取实现 | 第12页 |
| 1.3.3 领域分类关系抽取实现 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第2章 相关研究综述 | 第14-20页 |
| 2.1 中文本体领域术语抽取 | 第14-15页 |
| 2.2 领域概念抽取研究方法综述 | 第15页 |
| 2.3 领域分类关系抽取研究方法综述 | 第15-16页 |
| 2.4 汉语分词系统——ICTCLAS | 第16页 |
| 2.5 语言技术平台云——LTP | 第16-17页 |
| 2.6 基于Word2Vec算法计算领域概念相似度 | 第17-19页 |
| 2.7 可视化图标库Echarts | 第19页 |
| 2.8 本章小结 | 第19-20页 |
| 第3章 需求分析与总体设计 | 第20-26页 |
| 3.1 问题的提出 | 第20-21页 |
| 3.2 系统需求分析 | 第21页 |
| 3.2.1 系统功能需求 | 第21页 |
| 3.3 系统体系结构 | 第21-22页 |
| 3.4 系统工作流程 | 第22-24页 |
| 3.5 本章小结 | 第24-26页 |
| 第4章 足球领域中文术语的抽取 | 第26-38页 |
| 4.1 领域语料库的构建 | 第26-27页 |
| 4.2 基于规则的领域术语抽取 | 第27-32页 |
| 4.2.1 基于ICTCLAS多词术语识别 | 第27-28页 |
| 4.2.2 基于LTP的多词术语识别 | 第28-32页 |
| 4.3 基于统计算法的领域术语抽取 | 第32-34页 |
| 4.3.1 基于TF-IDF算法的术语抽取 | 第32-33页 |
| 4.3.2 基于DR&DC的领域术语抽取 | 第33-34页 |
| 4.4 实验及分析 | 第34-36页 |
| 4.4.1 数据集 | 第34页 |
| 4.4.2 评价标准 | 第34-36页 |
| 4.5 本章小结 | 第36-38页 |
| 第5章 足球领域中文概念的抽取 | 第38-48页 |
| 5.1 对领域术语集领域相关性的验证 | 第38-40页 |
| 5.2 基于Word2Vec的领域术语扩展 | 第40页 |
| 5.3 对领域术语集内涵、外延的验证 | 第40-42页 |
| 5.3.1 领域术语集“内涵”特性验证 | 第41页 |
| 5.3.2 领域术语集“外延”特性验证 | 第41-42页 |
| 5.4 概念同义词识别 | 第42-43页 |
| 5.5 实验与分析 | 第43-47页 |
| 5.5.1 数据集 | 第43页 |
| 5.5.2 评价标准 | 第43-47页 |
| 5.6 本章小结 | 第47-48页 |
| 第6章 足球领域中文分类关系的抽取 | 第48-62页 |
| 6.1 基于规则的分类关系抽取 | 第49-50页 |
| 6.1.1 基于模板的方法 | 第49-50页 |
| 6.1.2 基于后缀匹配的方法 | 第50页 |
| 6.2 概念间相似度计算 | 第50-54页 |
| 6.2.1 构造概念向量空间 | 第50-51页 |
| 6.2.2 基于向量空间的相似度计算 | 第51-52页 |
| 6.2.3 基于概率的相似度计算 | 第52页 |
| 6.2.4 基于Word2Vec算法领域概念相似度计算 | 第52-54页 |
| 6.3 基于相似度、细化度分类关系的获取 | 第54-56页 |
| 6.4 实验与分析 | 第56-61页 |
| 6.4.1 数据集 | 第56页 |
| 6.4.2 评价标准 | 第56-61页 |
| 6.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间所发表的论文 | 第68-70页 |
| 致谢 | 第70页 |