| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 关键问题 | 第14-15页 |
| 1.4 本文研究内容 | 第15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 第2章 相关技术研究 | 第17-33页 |
| 2.1 简要描述 | 第17页 |
| 2.2 基于全局矩阵分解的词向量模型 | 第17-20页 |
| 2.2.1 LSA模型 | 第18页 |
| 2.2.2 ESA模型 | 第18-19页 |
| 2.2.3 GloVe语义模型 | 第19-20页 |
| 2.3 基于上下文预测的词向量模型 | 第20-26页 |
| 2.3.1 神经网络语言模型 | 第20-22页 |
| 2.3.2 C&W模型 | 第22-24页 |
| 2.3.3 Skip-gram模型和CBOW模型 | 第24-26页 |
| 2.4 文本消重算法 | 第26-29页 |
| 2.4.1 Shingling算法 | 第26-27页 |
| 2.4.2 I-Match算法 | 第27-28页 |
| 2.4.3 SimHash算法 | 第28-29页 |
| 2.5 文本聚类算法 | 第29-32页 |
| 2.5.1 文本特征提取 | 第29-30页 |
| 2.5.2 聚类算法 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于语义的短文本消重算法 | 第33-49页 |
| 3.1 问题描述 | 第33-34页 |
| 3.2 句子语义相似度计算 | 第34-37页 |
| 3.2.1 基于LSA、ESA的句子相似度计算 | 第34页 |
| 3.2.2 基于Skip-gram、CBOW的句子相似度计算 | 第34-36页 |
| 3.2.3 基于句子主题相关性的权重计算方法 | 第36-37页 |
| 3.3 消重算法思想 | 第37-40页 |
| 3.3.1 字面消重层 | 第38-39页 |
| 3.3.2 语义消重层 | 第39-40页 |
| 3.4 算法复杂度分析 | 第40-41页 |
| 3.5 实验与结果分析 | 第41-47页 |
| 3.5.1 句子相似度计算方法评估实验 | 第41-44页 |
| 3.5.2 字面消重层实验 | 第44-45页 |
| 3.5.3 语义消重层实验 | 第45-47页 |
| 3.6 本章总结 | 第47-49页 |
| 第4章 基于语义和图的文本聚类算法 | 第49-59页 |
| 4.1 问题描述 | 第49-50页 |
| 4.1.1 基于语义的文本聚类 | 第49页 |
| 4.1.2 图的基本理论 | 第49-50页 |
| 4.2 聚类算法思想 | 第50-52页 |
| 4.3 算法复杂度分析 | 第52-53页 |
| 4.3.1 算法复杂度 | 第52-53页 |
| 4.3.2 与传统聚类算法对比 | 第53页 |
| 4.4 实验与结果分析 | 第53-58页 |
| 4.4.1 语义模型评估与选取实验 | 第53-55页 |
| 4.4.2 基于语义和图的文本聚类实验 | 第55-58页 |
| 4.5 本章总结 | 第58-59页 |
| 第5章 科技新闻服务系统 | 第59-69页 |
| 5.1 需求分析 | 第59页 |
| 5.2 “科技视界”新闻服务系统 | 第59-65页 |
| 5.2.1 系统框架 | 第59-60页 |
| 5.2.2 网络爬虫 | 第60-61页 |
| 5.2.3 新闻去重 | 第61-62页 |
| 5.2.4 新闻检索 | 第62-63页 |
| 5.2.5 新闻推荐 | 第63-64页 |
| 5.2.6 新闻客户端 | 第64-65页 |
| 5.3 系统部署与评估 | 第65-67页 |
| 5.3.1 系统部署 | 第65页 |
| 5.3.2 同类型系统比较 | 第65-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69页 |
| 6.2 未来工作展望 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第79页 |