| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 相关研究综述 | 第12-17页 |
| 1.2.1 Twitter上机构名消歧定义 | 第12-13页 |
| 1.2.2 名实体消歧相关研究 | 第13-17页 |
| 1.3 本文主要研究内容 | 第17-19页 |
| 第2章 机构名消歧评测 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 机构名消歧任务难点分析 | 第19-23页 |
| 2.2.1 训练集和测试集机构名不重复 | 第19-20页 |
| 2.2.2 Twitter中机构名歧义性分布不均匀 | 第20-21页 |
| 2.2.3 Twitter消息内容不规范 | 第21页 |
| 2.2.4 Twitter消息内容短 | 第21-22页 |
| 2.2.5 现有知识库对机构名的覆盖范围有限 | 第22-23页 |
| 2.3 机构名消歧现有方法 | 第23-25页 |
| 2.4 机构名消歧评价方法 | 第25-26页 |
| 2.5 本章小节 | 第26-27页 |
| 第3章 基于通用分类模型的机构名消歧 | 第27-40页 |
| 3.1 引言 | 第27页 |
| 3.2 有监督分类算法 | 第27-30页 |
| 3.2.1 朴素贝叶斯 | 第27-28页 |
| 3.2.2 最大熵 | 第28-29页 |
| 3.2.3 支持向量机 | 第29-30页 |
| 3.3 通用分类模型 | 第30-35页 |
| 3.3.1 机构的信息表示 | 第30-34页 |
| 3.3.2 Twitter的信息表示 | 第34页 |
| 3.3.3 启发式规则 | 第34-35页 |
| 3.3.4 通用类型分类特征 | 第35页 |
| 3.4 实验与分析 | 第35-39页 |
| 3.4.1 数据及评价方法 | 第35-36页 |
| 3.4.2 实验结果及分析 | 第36-39页 |
| 3.5 本章小节 | 第39-40页 |
| 第4章 基于半监督学习的机构名消歧 | 第40-50页 |
| 4.1 引言 | 第40-41页 |
| 4.2 半监督学习算法 | 第41-43页 |
| 4.2.1 标签传播算法 | 第41-42页 |
| 4.2.2 直推式支持向量机 | 第42-43页 |
| 4.3 基于半监督算法的优化 | 第43-46页 |
| 4.3.1 基于半监督方法的机构名消歧 | 第44-45页 |
| 4.3.2 两阶段消歧结果融合 | 第45-46页 |
| 4.4 实验与分析 | 第46-48页 |
| 4.4.1 实验设置 | 第46页 |
| 4.4.2 实验结果及分析 | 第46-48页 |
| 4.5 本章小节 | 第48-50页 |
| 第5章 基于特征增强的自适应机构名消歧 | 第50-59页 |
| 5.1 引言 | 第50页 |
| 5.2 基于特征增强的自适应优化 | 第50-56页 |
| 5.2.1 相关研究 | 第51-54页 |
| 5.2.2 自适应类型分类特征 | 第54页 |
| 5.2.3 自适应优化方法 | 第54-56页 |
| 5.3 实验及分析 | 第56-58页 |
| 5.3.1 实验设置 | 第56页 |
| 5.3.2 实验结果及分析 | 第56-58页 |
| 5.4 本章小节 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66-70页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第70-72页 |
| 致谢 | 第72页 |