基于核函数的命名实体关系抽取技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景及意义 | 第10-12页 |
| ·本文的工作 | 第12-13页 |
| ·本文的组织 | 第13-14页 |
| 第二章 命名实体关系抽取综述 | 第14-27页 |
| ·信息抽取基本概念 | 第14-15页 |
| ·命名实体 | 第14-15页 |
| ·命名实体关系 | 第15页 |
| ·事件 | 第15页 |
| ·信息抽取的主要任务 | 第15-16页 |
| ·命名实体识别 | 第15-16页 |
| ·实体关系抽取 | 第16页 |
| ·事件发现 | 第16页 |
| ·信息抽取的发展历史 | 第16-18页 |
| ·信息抽取典型系统 | 第18-19页 |
| ·命名实体关系抽取技术 | 第19-26页 |
| ·基于知识库的抽取算法 | 第19页 |
| ·基于特征向量的机器学习算法 | 第19-21页 |
| ·基于核函数的机器学习算法 | 第21-25页 |
| ·基于模式的Bootstrapping 算法 | 第25-26页 |
| ·小结 | 第26-27页 |
| 第三章 实体关系抽取算法及模型 | 第27-38页 |
| ·实体关系抽取主要算法框架 | 第27页 |
| ·命名实体识别算法 | 第27-30页 |
| ·基于语义核函数的KNN 机器学习算法 | 第30-35页 |
| ·传统核函数 | 第30-32页 |
| ·基于本体(HOWNET)的语义知识获取算法 | 第32-33页 |
| ·改进的语义核函数 | 第33-34页 |
| ·KNN 机器学习算法简介 | 第34-35页 |
| ·基于语义核函数的KNN 机器学习算法 | 第35页 |
| ·二元实体关系扩展算法 | 第35-37页 |
| ·小结 | 第37-38页 |
| 第四章 Gate 环境介绍及开发技术 | 第38-43页 |
| ·Gate 自然语言处理平台 | 第38-39页 |
| ·Gate 环境下插件资源开发技术 | 第39-43页 |
| ·语言资源创建与管理 | 第39-40页 |
| ·可执行与可视化资源开发与配置 | 第40-43页 |
| 第五章 命名实体关系抽取系统实现 | 第43-51页 |
| ·关系抽取系统设计 | 第43-44页 |
| ·模块实现 | 第44-48页 |
| ·词性标注 | 第44页 |
| ·命名实体识别 | 第44页 |
| ·句子切分 | 第44-45页 |
| ·关系候选生成 | 第45页 |
| ·关系分类 | 第45-46页 |
| ·HOWNET 语义知识获取 | 第46-47页 |
| ·关系扩展 | 第47页 |
| ·关系存储和关系可视化 | 第47-48页 |
| ·系统整合及运行实例 | 第48-51页 |
| ·系统实现(一)：Gate 环境下插件应用系统 | 第48-49页 |
| ·系统实现(二)：独立Java 应用系统 | 第49-51页 |
| 第六章 实验结果及分析 | 第51-57页 |
| ·命名实体识别实验 | 第51-53页 |
| ·关系抽取实验设计 | 第53-54页 |
| ·关系抽取结果分析 | 第54-57页 |
| 第七章 总结与展望 | 第57-59页 |
| ·本文总结 | 第57-58页 |
| ·工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间发表的学术论文目录 | 第64-66页 |
