中文报道关系识别与话题跟踪研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究背景及意义 | 第10-11页 |
| ·现状分析 | 第11-13页 |
| ·国外现状分析 | 第11-12页 |
| ·国内现状分析 | 第12-13页 |
| ·研究内容及主要工作 | 第13页 |
| ·论文的组织结构 | 第13-15页 |
| 第二章 话题检测与跟踪概述 | 第15-25页 |
| ·话题检测与跟踪基础知识 | 第15-16页 |
| ·TDT的相关概念 | 第15页 |
| ·TDT的基本任务 | 第15-16页 |
| ·预处理 | 第16-17页 |
| ·表示模型 | 第17-18页 |
| ·向量空间模型 | 第17页 |
| ·概率模型 | 第17-18页 |
| ·报道特征选取 | 第18-19页 |
| ·TF*IDF特征选择方法 | 第18页 |
| ·优势率 | 第18-19页 |
| ·相似度计算 | 第19-20页 |
| ·面向话题跟踪的分类算法 | 第20-23页 |
| ·支持向量机 | 第20-21页 |
| ·K-近邻算法 | 第21页 |
| ·决策树 | 第21-22页 |
| ·神经网络算法 | 第22页 |
| ·朴素贝叶斯分类法 | 第22-23页 |
| ·评价方法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 提取要素关联词对的中文报道关系识别 | 第25-34页 |
| ·引言 | 第25-27页 |
| ·基于新闻要素的多向量空间模型 | 第25-26页 |
| ·LIBSVM整合多相似度 | 第26-27页 |
| ·报道关系识别改进算法 | 第27-29页 |
| ·关联词对的抽取和表示 | 第27-28页 |
| ·报道关联词对的相似度计算方法 | 第28-29页 |
| ·中文报道关系检测算法描述 | 第29-30页 |
| ·实验分析 | 第30-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于改进的KNN的话题跟踪研究 | 第34-44页 |
| ·引言 | 第34-36页 |
| ·构建并动态更新话题的表示模型 | 第36-38页 |
| ·提取话题的关键特征词 | 第36-37页 |
| ·计算话题平均相似度 | 第37页 |
| ·话题特征向量的更新 | 第37-38页 |
| ·改进的KNN算法描述 | 第38-40页 |
| ·实验分析 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| ·本文的贡献及创新之处 | 第44-45页 |
| ·下一步工作 | 第45-46页 |
| 参考文献 | 第46-51页 |
| 致谢 | 第51-52页 |
| 攻读学位期间发表的学术论文 | 第52页 |
| 攻读硕士学位期间参加的科研项目 | 第52页 |
