| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-11页 |
| 第1章 背景与工作介绍 | 第11-25页 |
| 1.1 背景 | 第11-16页 |
| 1.1.1 时代的需求 | 第11-12页 |
| 1.1.2 自然语言处理的内容 | 第12-14页 |
| 1.1.3 自然语言处理的定义 | 第14-16页 |
| 1.2 自然语言处理的历史发展 | 第16-19页 |
| 1.2.1 开创时期 | 第16-17页 |
| 1.2.2 理性主义盛行时期 | 第17-18页 |
| 1.2.3 经验主义复苏时期 | 第18页 |
| 1.2.4 繁荣时期 | 第18页 |
| 1.2.5 研究现状 | 第18-19页 |
| 1.3 语料库 | 第19-23页 |
| 1.3.1 语料库的分类 | 第19-20页 |
| 1.3.2 国外的语料库建设 | 第20-21页 |
| 1.3.3 国内的语料库建设 | 第21页 |
| 1.3.4 国内的古代汉语语料库建设 | 第21-23页 |
| 1.4 本文工作介绍 | 第23-25页 |
| 1.4.1 古代汉语史书语料库建设的一般过程与通用算法 | 第23-24页 |
| 1.4.2 基本的索引与检索工具 | 第24页 |
| 1.4.3 主要算法与数据结构 | 第24页 |
| 1.4.4 系统设计与一整套工具软件的开发 | 第24页 |
| 1.4.5 《资治通鉴》语料库的具体构建 | 第24-25页 |
| 第2章 史书语料库建设的流程与算法 | 第25-39页 |
| 2.1 语料的选择 | 第25-26页 |
| 2.2 编码问题 | 第26-28页 |
| 2.2.1 编码的选择 | 第26-27页 |
| 2.2.2 私用汉字编码 | 第27-28页 |
| 2.3 标注格式的确定 | 第28-29页 |
| 2.4 网页文档到粗糙语料的转化 | 第29-32页 |
| 2.5 字符层面的清洁 | 第32-34页 |
| 2.6 断句、断句标点的清洁 | 第34-38页 |
| 2.7 本章小结 | 第38-39页 |
| 第3章 语料库的查询 | 第39-47页 |
| 3.1 语料库的基本特点 | 第39页 |
| 3.2 语料库查询的基本问题 | 第39-41页 |
| 3.2.1 检索的基本问题 | 第41页 |
| 3.2.2 语言关系的基本问题 | 第41页 |
| 3.3 统一的解决方案：SAG | 第41-46页 |
| 3.3.1 基本思想 | 第41-42页 |
| 3.3.2 SAG的基本结构 | 第42-43页 |
| 3.3.3 SAG的基本操作 | 第43-44页 |
| 3.3.4 算法的设计 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 重要算法与结构 | 第47-67页 |
| 4.1 多模式字符串搜索 | 第47-52页 |
| 4.1.1 Aho-Corasick算法 | 第47页 |
| 4.1.2 改进算法automps | 第47-51页 |
| 4.1.3 等长多字节编码的处理 | 第51-52页 |
| 4.2 网页正文抽取 | 第52-53页 |
| 4.3 编码字符处理 | 第53-59页 |
| 4.3.1 不等长编码字符获取mixgetter | 第53-55页 |
| 4.3.2 不等长编码文本遍历iterate_text | 第55-56页 |
| 4.3.3 字符层面清洁 | 第56-59页 |
| 4.4 语料剖析 | 第59-64页 |
| 4.4.1 剖析至段落层次 | 第59-61页 |
| 4.4.2 段落剖析算法 | 第61-64页 |
| 4.4.3 断句算法 | 第64页 |
| 4.5 SAG-2在GB18030双字节编码下的设计 | 第64-66页 |
| 4.6 本章小结 | 第66-67页 |
| 第5章 系统设计 | 第67-77页 |
| 5.1 结构与组织 | 第67-70页 |
| 5.1.1 主要功能模块与语料数据处理过程 | 第67-68页 |
| 5.1.2 系统组织 | 第68-69页 |
| 5.1.3 语料库组织 | 第69页 |
| 5.1.4 应用程序组织 | 第69-70页 |
| 5.2 主要应用程序的设计与算法 | 第70-72页 |
| 5.2.1 htm12txt | 第70-71页 |
| 5.2.2 wordpurify | 第71页 |
| 5.2.3 sntcpurify | 第71-72页 |
| 5.2.4 sntccut | 第72页 |
| 5.3 语料库建设的操作步骤 | 第72-73页 |
| 5.4 通用性与可移植性考虑 | 第73-74页 |
| 5.5 系统结构组织列表 | 第74-75页 |
| 5.6 本章小结 | 第75-77页 |
| 第6章 《资治通鉴》语料库建设与实验 | 第77-89页 |
| 6.1 实例：《资治通鉴》语料库建设 | 第77-84页 |
| 6.1.1 选择《资治通鉴》作为语料 | 第77-78页 |
| 6.1.2 选择GB18030双字节编码 | 第78页 |
| 6.1.3 确定标注格式 | 第78-80页 |
| 6.1.4 网页文档到粗糙语料的转化 | 第80-82页 |
| 6.1.5 字符层面的清洁 | 第82页 |
| 6.1.6 断句、断句标点的清洁 | 第82-84页 |
| 6.2 实验方法 | 第84-86页 |
| 6.2.1 正确性验证 | 第84-86页 |
| 6.2.2 效率验证 | 第86页 |
| 6.3 实验内容与结论 | 第86-88页 |
| 6.3.1 正确性 | 第86-87页 |
| 6.3.2 效率 | 第87页 |
| 6.3.3 实验结论 | 第87-88页 |
| 6.4 工作环境 | 第88页 |
| 6.5 本章小结 | 第88-89页 |
| 第7章 总结与展望 | 第89-91页 |
| 7.1 总结 | 第89-90页 |
| 7.2 展望 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 致谢 | 第95页 |
