【導(dǎo)讀】當(dāng)遇到具體問題和困難的時候，請及時與導(dǎo)師聯(lián)系。由于篇幅的原因，這里僅提供四篇范文。畢業(yè)論文（設(shè)計）寫作管理辦法”中的規(guī)定。同學(xué)們要抓緊時間，一篇好的文章要經(jīng)過反復(fù)的修改才能成功。寫出好的畢業(yè)論文，善始善終地完成自己的學(xué)業(yè)。師的指導(dǎo)下進行的研究工作及取得的成果。盡我所知，除文中特別加。而使用過的材料。究所取得的研究成果。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文。不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。究做出重要貢獻的個人和集體，均已在文中以明確方式標(biāo)明。全意識到本聲明的法律后果由本人承擔(dān)。同意學(xué)校保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)大學(xué)可以將本學(xué)位。印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。爭，并在競爭中獲勝做出貢獻。華投資發(fā)展的歷程。經(jīng)濟發(fā)展作了分析。合國內(nèi)餐飲企業(yè)發(fā)展現(xiàn)狀，為廣大國內(nèi)餐飲企業(yè)提供有效的借鑒。

　　

【正文】 在論文的寫作過程中，得到了許多老師和單位領(lǐng)導(dǎo)的幫助，學(xué)院的老師們嚴謹治學(xué)的教學(xué)使我受益非淺，我非常感激我的導(dǎo)師 XXX 老師，他是我獲得深思熟慮的意見和概念清晰的見解的來源，他不惜花費自己時間對本論文 提出許多意見和建議，既激發(fā)了我的靈感，又給了我持久不斷的鼓勵。最后我還非常感謝那些以一定方式影響本論文的論述思想的作者和公司資料室同事，為我查閱資料提供許多方便。 申請上海交通大學(xué)學(xué)士學(xué)位論文 申請上海交通大學(xué)學(xué)士學(xué)位論文 漢語股市公告信息抽取系統(tǒng)的設(shè)計與實現(xiàn) 學(xué) 生： 學(xué) 號： 專 業(yè) 導(dǎo) 師： 學(xué)校代碼： 上海交通大學(xué)網(wǎng)絡(luò)教育學(xué)院 二ＯＯ四年十一月 摘要 申請上海交通大學(xué)學(xué)士學(xué)位論文 本文介紹了一個基于 中文信息抽取模型的股市公告信息抽取系統(tǒng)（ SBIES）的設(shè)計與實現(xiàn)。介紹了該系統(tǒng)的結(jié)構(gòu)框架和分布圖。討論了漢語信息抽取模型的具體結(jié)構(gòu)，構(gòu)建了由自動分詞、自動標(biāo)注和模板填充三個階段組成的簡化模型。簡單介紹了自動分詞的常用算法和自動標(biāo)注中的標(biāo)注規(guī)范。重點探討了模板填充的具體算法。文中分別討論了采用基于規(guī)則的結(jié)構(gòu)主義方法和基于語料庫概率統(tǒng)計的功能主義方法。著重討論了采用隱馬爾科夫模型進行信息抽取的具體算法。對模型的參數(shù)獲取算法作了討論，改進了 BaumWelch算法以適應(yīng)信息抽取的應(yīng)用。對領(lǐng)域文本做了人工標(biāo)注，通過 計算機處理獲取所需的統(tǒng)計數(shù)據(jù)。利用統(tǒng)計數(shù)據(jù)完善 HMM模型。 關(guān)鍵詞 ： 信息抽取，隱馬爾科夫模型，自然語言 申請上海交通大學(xué)學(xué)士學(xué)位論文 THE DESIGN AND IMPLEMENTATION OF CHINESE STOCK BULLETIN INFORMATION EXTRACTION SYSTEM Abstract This article introduced the design and implementation of a Chinese IE Technology based stock bulletin information extraction system (SBIES). The framework and deployment of the system were described. The structure of the Chinese information extraction model was discussed in detail. We proposed a simplified 3 tiers IE model consisting of automatic word segmentation, automatic annotation, and template filling. The algorithms used in automatic word segmentation and annotation were briefly introduced while algorithms used in template filling were focused on. In this article, the rulebased structuralism methods and the corpusbased statistical functionalism methods were discussed respectively. The Hidden Markov Model (HMM) was introduced to extract information and the algorithm was explained at length. The algorithm for model parameter acquisition was also analyzed and the BaumWelch iteration algorithm was modified. Domain texts were annotated manually to acquire statistical data via putation. With these data, HMMbased IE was implemented. KEY WORDS: information extraction, hidden Markov model, natural language申請上海交通大學(xué)學(xué)士學(xué)位論文 目錄 1 概述 ............................................................. 1 信息抽取技術(shù)（ INFORMATION EXTRACTION） .................................. 1 信息抽取技術(shù)的發(fā)展 .............................................. 1 信息抽取技術(shù)的特點 .............................................. 2 股市公告信息抽取系統(tǒng)（ SBIES） ....................................... 3 應(yīng)用背景 ....................................................... 3 系統(tǒng)框架結(jié)構(gòu) .................................................... 4 系統(tǒng)分布結(jié)構(gòu) .................................................... 5 本文內(nèi)容簡介 ....................................................... 6 2 信息抽取模塊的設(shè)計 ................................................ 7 模塊內(nèi)部結(jié)構(gòu) ....................................................... 7 串行化的模塊內(nèi)部結(jié)構(gòu)及其問題 .................................... 7 簡化的高性能信息抽取模型 ........................................ 7 自動分詞 ........................................................... 8 詞類自動標(biāo)注 ...................................................... 10 3 信息抽取的關(guān)鍵算法 ............................................... 13 傳統(tǒng)語言學(xué)方法 ..................................................... 13 基于規(guī)則的信息抽取算法 ......................................... 13 基于規(guī)則信息抽取面臨的嚴峻問題 ................................. 15 統(tǒng)計學(xué)方法 ........................................................ 15 基于語料庫的統(tǒng)計語言學(xué)方法 ..................................... 15 隱馬爾科夫模型（ HMM）簡介 ...................................... 16 隱馬爾科夫模型（ HMM）在信息抽取上的應(yīng)用 ........................ 17 隱馬爾科夫模型的訓(xùn)練與優(yōu)化問題 ................................. 19 4 實現(xiàn)與結(jié)果分析 ................................................... 21 模塊實現(xiàn)情況 ...................................................... 21 兩種信息抽取方法的比較 ............................................. 22 結(jié)果總結(jié) .......................................................... 22 遺留的問題 ........................................................ 22 參考文獻 ............................................................ 24 致謝 ............................................................... 25 申請上海交通大學(xué)學(xué)士學(xué)位論文 1 1 概述 信息抽取技術(shù)（ Information Extraction） 信息技術(shù)高速發(fā)展的時代中，信息的獲取、處理和應(yīng)用已經(jīng)成為了經(jīng)濟、科學(xué) 、軍事、文化等各個領(lǐng)域發(fā)展的關(guān)鍵活動。而其中，信息的獲取是三個步驟的開端，在信息技術(shù)領(lǐng)域中具有尤其重要的地位。 近年來，隨著計算機和互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展，各領(lǐng)域可及信息量呈指數(shù)級增長。如何高效獲取有用信息成為有效利用信息的關(guān)鍵。信息抽取（ Information Extraction，簡稱IE）技術(shù)，是自然語言處理領(lǐng)域中一種新興的技術(shù)。該技術(shù)通過抽取、過濾無關(guān)信息，使文本信息以用戶關(guān)心的形式得以再組織，實現(xiàn)高效重組。將結(jié)構(gòu)松散的自然語言信息，通過抽取轉(zhuǎn)為結(jié)構(gòu)嚴謹、語義明確的表現(xiàn)形式，利用計算機進行高效存儲并加 以利用。 信息抽取技術(shù)的發(fā)展 信息抽取技術(shù)的雛形最早出現(xiàn)在二十年前。下面介紹一些信息抽取發(fā)展上重要的研究成果以及國內(nèi)外的研究現(xiàn)狀 [7]。 ? ATRANS 系統(tǒng) ATRANS 系統(tǒng)是早在 1981年由 Cowie研究出來關(guān)于動植物正規(guī)結(jié)構(gòu)描述數(shù)據(jù)庫的系統(tǒng)及其商用化產(chǎn)品。該系統(tǒng)采用了概念句子分析技術(shù)，通過一些簡單的語言處理技術(shù)能夠完成限制在小規(guī)模，特定專業(yè)領(lǐng)域的信息抽取任務(wù)。 ? FRUMP系統(tǒng) FRUMP 系統(tǒng)由 Gerald Dejong 在 80 年代初實現(xiàn)。該系統(tǒng)把有限新聞網(wǎng)絡(luò)作為數(shù)據(jù)源，使用一些新聞故事的簡單腳本來對有限 新聞網(wǎng)絡(luò)進行監(jiān)控。它采用關(guān)鍵字檢索、概念句子分析、腳本匹配等方法來尋找新聞故事。 FRUMP系統(tǒng)是一個面向語義的系統(tǒng)，采用了一個特定專業(yè)領(lǐng)域的事件描述腳本知識庫。 ? SCISOR系統(tǒng) 80 年代末，美國 GE 研究與開發(fā)中心的 Lisa 等研制的 SCISOR（ System for Conceptual Information， Organization and Retrieval）系統(tǒng)所處理的對象是有關(guān) 公司合并 的新聞報導(dǎo)。 SCISOR首先采用關(guān)鍵詞過濾和模式匹配的方法對待處理文獻進行主題分析，以便判定該報道 的內(nèi)容是否與 公司合并 有關(guān)；然后采用自底向上的分析器識別句子結(jié)構(gòu)，生成概念表示；最后應(yīng)用自頂向下的預(yù)期驅(qū)動分析器提取預(yù)期內(nèi)容。 ? MUC（ Message Understanding Conference）是一個 ARPA資助的、為推動 IE 技術(shù)發(fā)展的一個重要的系列工程。有許多大學(xué)、研究所參加。 1987年的 MUC1和 1989年的 MUC2主要集中在從小規(guī)模的海軍信息文本中抽取相關(guān)的信息。 1991年的 MUC3和 1992年的MUC4采用的文本主題和類型發(fā)生了變化，采用關(guān)于拉丁美洲國家恐怖事件通用主題的報紙和有線 新聞文本作為語料源，系統(tǒng)包括預(yù)定義好的信息模板和輔助抽取規(guī)則，基本任務(wù)是從在線文本中抽取有關(guān)信息填入預(yù)定義的模板中的屬性槽中。 1993 年的 MUC5的文本主題是關(guān)于合資企業(yè)的商業(yè)新聞以及微電子芯片的制作方面的新聞，涉及英語和日語文檔。所抽取的信息包括合資企業(yè)的合資者、合資公司的名稱、所有權(quán)和資本以及預(yù)期的活動，或者微電子芯片的制作活動的性質(zhì)和狀態(tài)等有關(guān)項。涉及到多語言和多領(lǐng)域的文檔，以便進行抽取信息的性能評價比較。 1995 年的 MUC6 的信息抽取任務(wù)第一次涉及到用 SGML語言所標(biāo)記的文本中的名稱項（ named entity）和指同項（ coreference）的處理。除了場景模板（ scenario）任務(wù)以外，名稱項、指同項和模板元素（ template element）信息抽取任務(wù)均與特定專業(yè)領(lǐng)域無關(guān)。測試的語料采用 華爾街雜志 中的文申請上海交通大學(xué)學(xué)士學(xué)位論文 2 本。 1998 年的 MUC7 是最近的一次信息理解會議。它的信息抽取任務(wù)涉及抽取文檔中的名稱項（人名、組織名和地點名）；指同項；確定模板元素之間的關(guān)系，如地點關(guān)系、雇傭關(guān)系和生產(chǎn)關(guān)系等；抽取文檔中的事件。文檔包