| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文研究的主要内容 | 第14-15页 |
| 1.4 论文结构 | 第15-17页 |
| 第二章 数据预处理和企业命名实体识别 | 第17-25页 |
| 2.1 任务分析 | 第17页 |
| 2.2 语义特征向量 | 第17页 |
| 2.3 本文所用的自然语言处理框架介绍 | 第17-18页 |
| 2.3.1 StanfordNLP | 第17-18页 |
| 2.3.2 GATE | 第18页 |
| 2.3.3 Word2Vec | 第18页 |
| 2.4 关键步骤的实现 | 第18-22页 |
| 2.4.1 停用词的过滤 | 第18-19页 |
| 2.4.2 文本的分词、分句和词性标注 | 第19-20页 |
| 2.4.3 实体类型的判断和提取 | 第20-21页 |
| 2.4.4 企业实体语义特征向量的获取 | 第21-22页 |
| 2.5 Word2Vec WebService的搭建 | 第22-23页 |
| 2.5.1 任务分析 | 第22页 |
| 2.5.2 gSoap构建服务端 | 第22-23页 |
| 2.5.3 Java Axis构建客户端 | 第23页 |
| 2.6 预处理中遇到的瓶颈及解决方案 | 第23-24页 |
| 2.7 本章小结 | 第24-25页 |
| 第三章 企业关系二元组的生成 | 第25-29页 |
| 3.1 任务分析 | 第25页 |
| 3.2 相似度方法选取 | 第25-26页 |
| 3.3 关系二元组生成的实现 | 第26-27页 |
| 3.3.1 读入实体集 | 第26页 |
| 3.3.2 相似度计算 | 第26页 |
| 3.3.3 结果过滤 | 第26-27页 |
| 3.4 二元组存储设计 | 第27-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第四章 基于指示词的企业关系分类 | 第29-38页 |
| 4.1 任务分析 | 第29-30页 |
| 4.2 分类框架设计 | 第30-31页 |
| 4.3 关键步骤的实现 | 第31-37页 |
| 4.3.1 训练集标注 | 第31-32页 |
| 4.3.2 指示词的获取和扩展 | 第32页 |
| 4.3.3 指示词权重衡量 | 第32-37页 |
| 4.3.4 企业关系类型分类 | 第37页 |
| 4.4 本章小结 | 第37-38页 |
| 第五章 方法测试及结果分析 | 第38-46页 |
| 5.1 实验数据 | 第38-39页 |
| 5.1.1 语料库的构建方法 | 第38页 |
| 5.1.2 实验数据概述 | 第38-39页 |
| 5.2 验证方法 | 第39页 |
| 5.3 验证指标 | 第39页 |
| 5.4 实验环境 | 第39-40页 |
| 5.5 实验结果与分析 | 第40-45页 |
| 5.5.1 不同权重衡量方法的结果评估 | 第40-41页 |
| 5.5.2 信息窗口W对结果的影响分析 | 第41-42页 |
| 5.5.3 权重衰减系数R对结果的影响分析 | 第42-43页 |
| 5.5.4 近义词树深度d对结果的影响分析 | 第43-44页 |
| 5.5.5 语义相似度与关系强度的关联分析 | 第44-45页 |
| 5.6 本章小节 | 第45-46页 |
| 第六章 关系挖掘系统的设计和关系可视化 | 第46-52页 |
| 6.1 任务分析 | 第46页 |
| 6.2 系统架构设计概述 | 第46-47页 |
| 6.3 过滤器的设计 | 第47-48页 |
| 6.3.1 ProcessOriDoc语料库文本预处理过滤器 | 第47页 |
| 6.3.2 FindRelations企业关系二元组生成过滤器 | 第47页 |
| 6.3.3 IdentifyRelation基于指示词的企业关系分类过滤器 | 第47-48页 |
| 6.4 系统线程池设计 | 第48-49页 |
| 6.5 关系可视化 | 第49-51页 |
| 6.6 本章小结 | 第51-52页 |
| 第七章 总结与展望 | 第52-54页 |
| 7.1 总结 | 第52-53页 |
| 7.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间取得的研究成果 | 第58-59页 |
| 致谢 | 第59-60页 |
| 附件 | 第60页 |
