| 摘要 | 第1-10页 |
| ABSTRACT | 第10-11页 |
| §第一章 绪论 | 第11-17页 |
| §1.1 概述 | 第11-12页 |
| §1.2 实体关系抽取的应用 | 第12-14页 |
| §1.3 实体关系抽取面临的主要问题 | 第14-15页 |
| §1.4 本文主要工作 | 第15页 |
| §1.5 本文结构 | 第15-17页 |
| §第二章 相关方法介绍 | 第17-28页 |
| §2.1 概述 | 第17-18页 |
| §2.2 机器学习的各种统计模型 | 第18-21页 |
| ·隐马可夫模型(HMM) | 第18-19页 |
| ·最大熵模型(ME) | 第19-20页 |
| ·基于核的方法fKernel-based) | 第20-21页 |
| ·多种机器学习方法集成(Ensemble Learning) | 第21页 |
| §2.3 半监督学习 | 第21-24页 |
| ·产生式模型(Generative Models) | 第22-23页 |
| ·自训练(Self-Training) | 第23-24页 |
| ·协同训练(Co-Training) | 第24页 |
| ·方法小结 | 第24页 |
| §2.4 实体关系抽取研究现状 | 第24-27页 |
| §2.5 小结 | 第27-28页 |
| §第三章 实体关系抽取任务描述 | 第28-36页 |
| §3.1 MUC关系抽取任务 | 第28-29页 |
| §3.2 ACE实体与关系识别任务 | 第29-35页 |
| ·实体发现与跟踪 | 第30-33页 |
| ·关系发现与描述 | 第33-35页 |
| §3.3 小结 | 第35-36页 |
| §第四章 基于SVM方法的实体关系抽取 | 第36-57页 |
| §4.1 基本思想 | 第36-37页 |
| §4.2 支持向量机SVM | 第37-40页 |
| ·理论背景概述 | 第37-38页 |
| ·模型描述 | 第38-40页 |
| §4.3 特征设计 | 第40-45页 |
| ·词特征集(Word) | 第40-42页 |
| ·词性特征集(Pos) | 第42页 |
| ·实体属性特征集(Entity) | 第42-43页 |
| ·实体提及特征集(Mention) | 第43-44页 |
| ·实体间交迭关系特征集(Overlap) | 第44页 |
| ·知网概念信息特征集(Hownet) | 第44-45页 |
| §4.4 实验设计与分析 | 第45-55页 |
| ·实验语料 | 第45-47页 |
| ·实现 | 第47-48页 |
| ·实验结果与分析 | 第48-55页 |
| §4.5 小结 | 第55-57页 |
| §第五章 基于TSVM方法的实体关系抽取 | 第57-66页 |
| §5.1 基本思想 | 第57页 |
| §5.2 直推式支持向量机TSVM | 第57-60页 |
| ·模型描述 | 第57-59页 |
| ·训练算法描述 | 第59-60页 |
| §5.3 实验设计与分析 | 第60-64页 |
| ·实验设计与实现 | 第60-63页 |
| ·实验结果与分析 | 第63-64页 |
| §5.4 小结 | 第64-66页 |
| §第六章 结束语 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 作者在学期间取得的学术成果 | 第72页 |