| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及研究目的和意义 | 第10-11页 |
| 1.1.1 课题背景 | 第10页 |
| 1.1.2 课题研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 论元识别 | 第12页 |
| 1.2.2 因果关系判断 | 第12-13页 |
| 1.2.3 因果知识库构建 | 第13-14页 |
| 1.3 本文研究内容及章节安排 | 第14-17页 |
| 1.3.1 本文研究内容 | 第14-15页 |
| 1.3.2 本文章节安排 | 第15-17页 |
| 第2章 中文句内的论元识别方法研究 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 语料构建 | 第17-18页 |
| 2.3 基于句子成分的论元识别方法 | 第18-20页 |
| 2.3.1 最大熵模型 | 第18-19页 |
| 2.3.2 基于句子成分的论元识别 | 第19-20页 |
| 2.4 基于深度学习的论元识别方法 | 第20-26页 |
| 2.4.1 循环神经网络 | 第21-25页 |
| 2.4.2 基于Tree-LSTM模型的论元识别方法 | 第25-26页 |
| 2.5 实验与分析 | 第26-27页 |
| 2.5.1 数据集 | 第26页 |
| 2.5.2 评价指标 | 第26-27页 |
| 2.5.3 实验结果与分析 | 第27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于句法语义特征的论元因果关系判断 | 第28-37页 |
| 3.1 引言 | 第28页 |
| 3.2 支持向量机与核函数 | 第28-29页 |
| 3.3 基于句法语义特征的论元因果关系判断 | 第29-33页 |
| 3.4 特征选择 | 第33页 |
| 3.5 实验与分析 | 第33-36页 |
| 3.5.1 数据集 | 第33-34页 |
| 3.5.2 工具集与评价指标 | 第34-35页 |
| 3.5.3 实验结果与分析 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于融合句法信息的深度学习的论元因果关系判断 | 第37-47页 |
| 4.1 引言 | 第37页 |
| 4.2 卷积神经网络 | 第37-39页 |
| 4.3 基于融合句法信息的深度学习的论元因果关系判断 | 第39-44页 |
| 4.4 实验与分析 | 第44-46页 |
| 4.4.1 数据集 | 第44页 |
| 4.4.2 模型设置 | 第44-45页 |
| 4.4.3 工具集与评价指标 | 第45页 |
| 4.4.4 实验结果及分析 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 因果知识库构建 | 第47-58页 |
| 5.1 引言 | 第47页 |
| 5.2 因果对抽取 | 第47页 |
| 5.3 因果对抽取策略介绍 | 第47-51页 |
| 5.3.1 基于规则的因果对抽取策略 | 第48页 |
| 5.3.2 基于传统机器学习算法的因果对抽取策略 | 第48-50页 |
| 5.3.3 基于深度学习算法的因果对抽取策略 | 第50-51页 |
| 5.4 因果对抽取研究方案 | 第51-54页 |
| 5.4.1 基于条件随机场的因果对抽取模型 | 第51-52页 |
| 5.4.2 基于循环神经网络的因果对抽取模型 | 第52页 |
| 5.4.3 基于双向长短期记忆神经网络的因果对抽取模型 | 第52-53页 |
| 5.4.4 基于CRF和biLSTM组合的因果对抽取模型 | 第53-54页 |
| 5.5 实验与分析 | 第54-56页 |
| 5.5.1 标注方法 | 第54页 |
| 5.5.2 数据集 | 第54-55页 |
| 5.5.3 评价指标 | 第55页 |
| 5.5.4 实验结果分析 | 第55-56页 |
| 5.6 因果知识库构建 | 第56-57页 |
| 5.7 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读学位期间发表的学术论文 | 第65-67页 |
| 致谢 | 第67-68页 |
