基于跨事件的新闻事件因果关系识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文组织 | 第15-17页 |
| 第二章 相关理论与技术 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 因果关系 | 第17-19页 |
| 2.3 跨事件方法 | 第19-20页 |
| 2.4 ACE2005评测会议 | 第20-24页 |
| 2.5 新闻事件 | 第24页 |
| 2.6 本章小结 | 第24-27页 |
| 第三章 新闻事件因果关系语料库构建 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 语料处理 | 第27-33页 |
| 3.2.1 语料来源 | 第27-29页 |
| 3.2.2 语料处理 | 第29-31页 |
| 3.2.3 语料标注规则 | 第31-33页 |
| 3.3 新闻事件因果关系标注 | 第33-34页 |
| 3.3.1 事件因果关系标注 | 第33页 |
| 3.3.2 事件因果类别标注 | 第33-34页 |
| 3.4 数据分析与存储 | 第34-36页 |
| 3.4.1 数据分析 | 第34-35页 |
| 3.4.2 数据存储 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于跨事件的新闻事件因果关系识别 | 第37-45页 |
| 4.1 引言 | 第37页 |
| 4.2 跨事件的算法流程 | 第37-39页 |
| 4.3 基于跨事件的新闻事件因果关系识别 | 第39-42页 |
| 4.3.1 最大熵模型 | 第39-40页 |
| 4.3.2 特征模板构建 | 第40-42页 |
| 4.4 实验结果及分析 | 第42-44页 |
| 4.4.1 实验语料 | 第42页 |
| 4.4.2 实验评价标准 | 第42页 |
| 4.4.3 基于最大熵的机器学习算法实验 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 新闻事件因果关系识别原型系统的设计 | 第45-53页 |
| 5.1 引言 | 第45页 |
| 5.2 实验环境 | 第45-46页 |
| 5.3 系统架构 | 第46-47页 |
| 5.4 模块分析 | 第47-51页 |
| 5.4.1 会议语料查看 | 第47-49页 |
| 5.4.2 事件因果关系标注 | 第49-50页 |
| 5.4.3 因果关系识别 | 第50-51页 |
| 5.5 本章小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-57页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 附录A 攻读硕士期间发表论文 | 第63-65页 |
| 附录B 攻读硕士期间申请软件著作权 | 第65-67页 |
| 附录C 攻读硕士期间参与项目 | 第67页 |
