結(jié)構(gòu)化支持向量機(jī)學(xué)習(xí)方法及應(yīng)用研究.pdf

1、支持向量機(jī)(Support Vector Machine，SVM)具有統(tǒng)計(jì)學(xué)習(xí)理論(Statisticallearning theory, SLT)的堅(jiān)實(shí)理論基礎(chǔ)，而且具有完美的數(shù)學(xué)形式、直觀的幾何解釋和良好的泛化能力，是解決數(shù)據(jù)挖掘中若干問(wèn)題的有力工具。然而在實(shí)際應(yīng)用中大部分要處理的數(shù)據(jù)往往具有復(fù)雜的結(jié)構(gòu)，如樹(shù)形結(jié)構(gòu)、網(wǎng)狀結(jié)構(gòu)和隊(duì)列結(jié)構(gòu)等，這時(shí)用傳統(tǒng)的支持向量機(jī)處理這類數(shù)據(jù)問(wèn)題會(huì)非常困難。針對(duì)這些復(fù)雜的且彼此之間存在相互依賴關(guān)系的結(jié)構(gòu)

2、性數(shù)據(jù)，結(jié)構(gòu)化支持向量機(jī)(Structured Support VectorMachine, SVM-Struct)是一種較好的可解決此類數(shù)據(jù)處理問(wèn)題的學(xué)習(xí)方法。因此，對(duì)結(jié)構(gòu)化支持向量機(jī)學(xué)習(xí)方法的研究以及將其應(yīng)用在實(shí)際領(lǐng)域具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。
　　為研究SVM-Struct的學(xué)習(xí)機(jī)理，本文以中文句法分析為例，通過(guò)構(gòu)造適合中文句法分析的結(jié)構(gòu)化特征函數(shù)ψ(x，y)，建立加權(quán)上下文無(wú)關(guān)文法分析模型，將SVM-Struct學(xué)

3、習(xí)方法應(yīng)用于中文句法分析中。由于中文句法具有復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，所以可以很好地檢驗(yàn)本文提出方法的有效性。本文的研究工作主要包括以下內(nèi)容:
　　(1)對(duì)結(jié)構(gòu)化支持向量機(jī)學(xué)習(xí)原理進(jìn)行了深入的分析，討論了結(jié)構(gòu)化特征函數(shù)的構(gòu)造方法。
　　(2)提出了一種面向中文句法分析的結(jié)構(gòu)化支持向量機(jī)學(xué)習(xí)方法。該方法通過(guò)構(gòu)造適合于中文句法分析的結(jié)構(gòu)化特征函數(shù)ψ(x，y)，建立了加權(quán)上下文無(wú)關(guān)文法模型，結(jié)合CYK(Cocke，Kasami，Younge

4、r,簡(jiǎn)稱CYK)算法對(duì)中文句法進(jìn)行分析。
　　(3)在來(lái)自北京大學(xué)計(jì)算語(yǔ)言學(xué)研究所公開(kāi)的微型語(yǔ)料庫(kù)中的樹(shù)庫(kù)樣上對(duì)本文提出的學(xué)習(xí)算法進(jìn)行了驗(yàn)證，同時(shí)與經(jīng)典的概率上下文無(wú)關(guān)文法(ProbabilisticContext-Free Grammar,簡(jiǎn)稱PCFG)進(jìn)行了比較，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的基于結(jié)構(gòu)化支持向量機(jī)的中文句法分析的可行性及有效性。
　　本文通過(guò)對(duì)SVM-Struct學(xué)習(xí)方法的深入研究，提出一種面向中文句法分析的S