| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外相关研究及现状 | 第12-13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 1.4 本文的主要组织结构 | 第14-16页 |
| 第二章 相关理论及关键技术 | 第16-24页 |
| 2.1 主题模型理论基础 | 第16-19页 |
| 2.1.1 潜在语义分析（LSA） | 第16-17页 |
| 2.1.2 概率潜在语义分析(PLSA) | 第17页 |
| 2.1.3 潜在狄利克雷分配LDA模型 | 第17-19页 |
| 2.1.4 多项式(Multinomial)分布和狄利克雷(Dirichlet)分布 | 第19页 |
| 2.2 主题分类生成算法的形成 | 第19-21页 |
| 2.2.1 算法的不足 | 第20-21页 |
| 2.3 本体 | 第21-22页 |
| 2.3.1 本体的概念 | 第21-22页 |
| 2.3.2 本文用到的本体编辑工具 | 第22页 |
| 2.4 资源描述框架RDF | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 知识获取——由句子到RDF | 第24-31页 |
| 3.1 知识获取 | 第24-26页 |
| 3.1.1 知识获取的定义 | 第24-25页 |
| 3.1.2 知识获取研究的问题 | 第25页 |
| 3.1.3 知识获取的方法 | 第25-26页 |
| 3.1.4 知识提取任务 | 第26页 |
| 3.2 中文语义角色标注 | 第26-27页 |
| 3.2.1 依存句法关系 | 第26-27页 |
| 3.3 最大熵分类器 | 第27-30页 |
| 3.3.1 最大熵原理 | 第27-29页 |
| 3.3.2 训练算法与参数估计 | 第29页 |
| 3.3.3 最大熵分类器 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 改进之后的信息抽取模型的建立 | 第31-40页 |
| 4.1 文本预处理 | 第32页 |
| 4.1.1 中文文本分词 | 第32页 |
| 4.2 文本建模 | 第32页 |
| 4.2.1 文档——主题的分布 | 第32页 |
| 4.3 主题语义挖掘 | 第32-33页 |
| 4.4 由句子到RDF | 第33-37页 |
| 4.4.1 规则处理 | 第33-34页 |
| 4.4.2 依存关系句法分析 | 第34-36页 |
| 4.4.3 特征的选择 | 第36页 |
| 4.4.4 最大熵模型分类 | 第36-37页 |
| 4.5 评价方式 | 第37-38页 |
| 4.6 本章小结 | 第38-40页 |
| 第五章 基于web网页的知识获取的研究与系统设计 | 第40-46页 |
| 5.1 系统概要 | 第40-42页 |
| 5.1.1 系统的开发环境 | 第40-41页 |
| 5.1.2 系统界面 | 第41-42页 |
| 5.2 实例验证 | 第42-44页 |
| 5.2.1 数据准备 | 第42-44页 |
| 5.3 泛化能力 | 第44-45页 |
| 5.4 效率 | 第45页 |
| 5.5 本章小结 | 第45-46页 |
| 第六章 总结和展望 | 第46-48页 |
| 6.1 论文总结 | 第46页 |
| 6.2 论文展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |