基于统计与语义分析的多文档自动摘要研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第1章 绪论 | 第10-18页 |
| ·本文的研究背景及意义 | 第10-11页 |
| ·自动摘要技术概述 | 第11-14页 |
| ·自动摘要技术分类 | 第11-13页 |
| ·自动摘要评价方法 | 第13-14页 |
| ·国内外研究现状 | 第14-16页 |
| ·国外研究现状 | 第14-15页 |
| ·国内研究现状 | 第15-16页 |
| ·研究目标及主要工作 | 第16页 |
| ·本文章节组织 | 第16-18页 |
| 第2章 多文档摘要相关技术 | 第18-33页 |
| ·多文档自动文摘系统简介 | 第18-19页 |
| ·预处理 | 第18页 |
| ·文本特征选择 | 第18-19页 |
| ·后处理 | 第19页 |
| ·多文档自动文摘的主要方法 | 第19-21页 |
| ·基于单文档文摘技术的方法 | 第19-20页 |
| ·基于信息抽取的方法 | 第20页 |
| ·基于多文档集合特征的方法 | 第20-21页 |
| ·多文档自动文摘的相关技术 | 第21-24页 |
| ·相似度计算 | 第21页 |
| ·权重模式 | 第21-22页 |
| ·命名实体识别技术 | 第22-23页 |
| ·主题划分技术 | 第23页 |
| ·文摘句的抽取 | 第23页 |
| ·文摘句的排序 | 第23-24页 |
| ·多文档自动文摘的评价方法 | 第24-31页 |
| ·自动文摘评价方法研究现状 | 第24-25页 |
| ·内部评测 | 第25-27页 |
| ·外部评测 | 第27页 |
| ·ROUGE 介绍 | 第27-31页 |
| ·多文档自动文摘与其他自然语言处理技术的关系 | 第31-32页 |
| ·本文设计思路 | 第32-33页 |
| 第3章 基于主题概念抽取的多文档文摘方法 | 第33-46页 |
| ·向量空间模型及WordNet 语义词典 | 第33-36页 |
| ·向量空间模型简介 | 第33-35页 |
| ·WordNet 简介 | 第35-36页 |
| ·基于WordNet 的主题概念树构造 | 第36-39页 |
| ·语意消歧方法 | 第36-38页 |
| ·概念树的构造 | 第38-39页 |
| ·主题概念抽取及文摘生成 | 第39-42页 |
| ·概念抽取方法 | 第39-41页 |
| ·概念抽取结果分析 | 第41页 |
| ·概念权重的计算及主题概念抽取 | 第41-42页 |
| ·基于主题概念抽取的多文档自动摘要方法 | 第42-45页 |
| ·句子权重计算 | 第42页 |
| ·文摘句的优化及排序 | 第42-43页 |
| ·实验结果及分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 基于聚类的多文档摘要方法 | 第46-62页 |
| ·聚类算法简介 | 第46-48页 |
| ·基于密度的聚类算法简介 | 第48-51页 |
| ·DBSCAN 聚类算法 | 第48-49页 |
| ·OPTICS 算法 | 第49-51页 |
| ·E-OPTICS 算法介绍 | 第51-57页 |
| ·句子相似度计算方法的改进 | 第52-53页 |
| ·OPTICS 算法的改进 | 第53-55页 |
| ·聚类簇的划分 | 第55-57页 |
| ·基于E-OPTICS 算法的多文档文摘 | 第57-61页 |
| ·文摘的生成 | 第57-58页 |
| ·实验结果及分析 | 第58-61页 |
| ·本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| ·本文总结 | 第62-63页 |
| ·系统的不足 | 第63页 |
| ·进一步的研究工作 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 在读期间发表的学术论文与取得的研究成果 | 第68页 |
