基于机器学习算法的隐喻识别研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·课题概述 | 第11-13页 |
| ·课题来源 | 第11页 |
| ·隐喻概念 | 第11-12页 |
| ·隐喻课题研究意义 | 第12-13页 |
| ·隐喻研究现状 | 第13-15页 |
| ·国外隐喻研究现状 | 第13-14页 |
| ·国内隐喻研究现状 | 第14-15页 |
| ·本文研究内容和创新 | 第15-16页 |
| ·研究内容 | 第15页 |
| ·本文创新 | 第15-16页 |
| ·本文组织结构 | 第16-18页 |
| 第二章 隐喻识别研究方法 | 第18-25页 |
| ·隐喻识别方法 | 第18-20页 |
| ·基于文本线索的方法 | 第18-19页 |
| ·基于语义知识的方法 | 第19页 |
| ·基于机器学习的方法 | 第19-20页 |
| ·本文实验准备 | 第20-24页 |
| ·实验数据 | 第20-23页 |
| ·评价指标 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 基于有监督学习的隐喻识别研究 | 第25-42页 |
| ·基于RFR_SUM模型的隐喻识别 | 第25-27页 |
| ·RFR_SUM模型 | 第25-26页 |
| ·RFR_SUM实验结果 | 第26-27页 |
| ·基于SVM模型的隐喻识别 | 第27-29页 |
| ·SVM模型原理 | 第27页 |
| ·SVM实验结果 | 第27-29页 |
| ·基于CRF模型的隐喻识别 | 第29-32页 |
| ·条件随机场模型概述 | 第29页 |
| ·CRF实验结果 | 第29-32页 |
| ·基于最大熵模型的隐喻识别 | 第32-34页 |
| ·最大熵原理 | 第32页 |
| ·最大熵实验结果 | 第32-34页 |
| ·基于语义相似度计算模型的隐喻识别 | 第34-38页 |
| ·模型的原理和步骤 | 第34-36页 |
| ·语义相似度模型实验结果 | 第36-38页 |
| ·基于多分类器集成的隐喻识别 | 第38-41页 |
| ·集成学习 | 第38页 |
| ·多分类器集成 | 第38-39页 |
| ·集成实验结果 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于聚类的隐喻识别研究 | 第42-53页 |
| ·问题提出与结论 | 第42-44页 |
| ·聚类方法 | 第44-47页 |
| ·聚类算法划分 | 第44-45页 |
| ·K-means聚类算法 | 第45-46页 |
| ·相似度计算 | 第46-47页 |
| ·实验过程 | 第47-52页 |
| ·实验设计 | 第47-50页 |
| ·实验结果 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 基于半监督学习的隐喻识别研究 | 第53-59页 |
| ·半监督学习 | 第53-55页 |
| ·半监督学习基本思想 | 第53-54页 |
| ·半监督学习算法 | 第54-55页 |
| ·实验过程 | 第55-58页 |
| ·半监督学习实验设计 | 第55-56页 |
| ·算法流程 | 第56-57页 |
| ·半监督学习实验结果 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 构建隐喻知识库 | 第59-69页 |
| ·隐喻知识库 | 第59-61页 |
| ·研究意义 | 第59-60页 |
| ·国外隐喻知识库现状 | 第60-61页 |
| ·国内隐喻知识库现状 | 第61页 |
| ·构建过程 | 第61-68页 |
| ·算法流程 | 第61-62页 |
| ·隐喻知识库 | 第62-65页 |
| ·基于知识库的隐喻计算 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 第七章 总结与展望 | 第69-72页 |
| ·全文总结 | 第69-70页 |
| ·下一步研究计划 | 第70-72页 |
| 附录A:本文构建的隐喻知识库 | 第72-77页 |
| 参考文献 | 第77-83页 |
| 在读期间参加的科研项目与公开发表的学术论文 | 第83-84页 |
| 致谢 | 第84页 |
