結構化支持向量機學習方法及應用研究.pdf

1、支持向量機(Support Vector Machine，SVM)具有統(tǒng)計學習理論(Statisticallearning theory, SLT)的堅實理論基礎，而且具有完美的數學形式、直觀的幾何解釋和良好的泛化能力，是解決數據挖掘中若干問題的有力工具。然而在實際應用中大部分要處理的數據往往具有復雜的結構，如樹形結構、網狀結構和隊列結構等，這時用傳統(tǒng)的支持向量機處理這類數據問題會非常困難。針對這些復雜的且彼此之間存在相互依賴關系的結構

2、性數據，結構化支持向量機(Structured Support VectorMachine, SVM-Struct)是一種較好的可解決此類數據處理問題的學習方法。因此，對結構化支持向量機學習方法的研究以及將其應用在實際領域具有重要的理論意義和實際應用價值。
　　為研究SVM-Struct的學習機理，本文以中文句法分析為例，通過構造適合中文句法分析的結構化特征函數ψ(x，y)，建立加權上下文無關文法分析模型，將SVM-Struct學

3、習方法應用于中文句法分析中。由于中文句法具有復雜的數據結構，所以可以很好地檢驗本文提出方法的有效性。本文的研究工作主要包括以下內容:
　　(1)對結構化支持向量機學習原理進行了深入的分析，討論了結構化特征函數的構造方法。
　　(2)提出了一種面向中文句法分析的結構化支持向量機學習方法。該方法通過構造適合于中文句法分析的結構化特征函數ψ(x，y)，建立了加權上下文無關文法模型，結合CYK(Cocke，Kasami，Younge

4、r,簡稱CYK)算法對中文句法進行分析。
　　(3)在來自北京大學計算語言學研究所公開的微型語料庫中的樹庫樣上對本文提出的學習算法進行了驗證，同時與經典的概率上下文無關文法(ProbabilisticContext-Free Grammar,簡稱PCFG)進行了比較，實驗結果驗證了本文提出的基于結構化支持向量機的中文句法分析的可行性及有效性。
　　本文通過對SVM-Struct學習方法的深入研究，提出一種面向中文句法分析的S