第一章 緒論, 說明本研究之動機、目的, 所採用的研究方法及邏輯網, 並介紹各章 之綱要。 第二章 分析專門職業之特質及各國禁止會計師從事廣告之由來與現況。並探討業務 廣告之效果及其與專門職業之特質是否相容。 第三章 介紹美國會計師公會因應環境變化而致最後允許會員廣告與直接行銷之發展 過程, 及其實證調查結果。 第四章 探討我國禁止廣告之現況, 並作實證調查研究。 第五章 探討會計師如何從事業務廣告, 例如訂立廣告準則, 如何決定廣告內容, 選 擇廣告媒體等。 第六章 介紹其他行銷觀念與技術, 以使會計師之廣告能配合運用, 發揮整體與最大 的效果。 第七章 為本文之結論與建議。

背景: 生醫文獻語意角色標註（Semantic Role Labeling, SRL）是一種自然語言處理的技術，其可用來將描述生物過程的語句以predicate-argument structures ( PASs ) 表示。SRL 經常受限於arguments的unbalance problem而且需要花費許多的時間和記憶體空間在學習 arguments 之間的相依性。 方法: 我們提出一Markov Logic Network ( MLN ) -based SRL之系統，且此系統使用自動化生成之SRL 模板同時辨識constituents與候選之語意角色。 結果及結論: 我們的方法在BioProp語料上來評估。實驗結果顯示我們的方法勝過目前最先進的系統。此外，使用SRL模板後，在時間及記憶體之花費上亦大幅的減少，而且我們自動化生成之模板亦能幫助建立這些模板。我們認為本論文提出之方法可以透過增加新的SRL模板例如：由生物學家手動寫的模板，而得到進一步的提升，而且本方法也為於需要處理大量SRL 語料時，提供一種可能的解法。 / Background: Biomedical semantic role labeling ( SRL ) is a natural language processing technique that expresses the sentences that describe biological processes as predicate-argument structures ( PASs ) . SRL usually suffers from the unbalanced problem of arguments and consuming time and memory on learning the dependencies between the arguments. Method: We constructed a Markov Logic Network ( MLN ) -based SRL system, and the system uses SRL patterns, which utilizes automatically generated approaches, to simultaneously recognize the constituents and candidates of semantic roles. Results and conclusions: Our method is evaluated on the BioProp corpus. The experimental result shows that our method outperforms the state-of-the-art system. Furthermore, after applying SRL patterns, the costs of the time and memory are greatly reduced, and our automatically generated patterns are helpful in the development of these patterns. We consider that our method can be further improved by adding new SRL patterns such as biological experts manually written patterns and it also provide a possible solution to process large SRL corpus.