| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 问题的提出 | 第11-12页 |
| 1.3 本文组织 | 第12-13页 |
| 第二章 新闻报道建模 | 第13-21页 |
| 2.1 传统模型 | 第13-16页 |
| 2.1.1 向量空间模型 | 第13-15页 |
| 2.1.2 语言模型 | 第15-16页 |
| 2.2 LDA 概率生成模型 | 第16-19页 |
| 2.2.1 LDA 模型简介 | 第16-18页 |
| 2.2.2 其他话题模型 | 第18-19页 |
| 2.3 模型泛化能力评测 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 话题演化相关工作 | 第21-31页 |
| 3.1 Post-hoc 方式的话题演化 | 第21-23页 |
| 3.1.1 使用文集的话题均值衡量话题强度的方式 | 第21-22页 |
| 3.1.2 离散话题的权重方式 | 第22-23页 |
| 3.2 引入时间变量改进模型的话题演化 | 第23-24页 |
| 3.2.1 引入连续的时间变量的原因 | 第23页 |
| 3.2.2 时间变量的具体引入方式 | 第23-24页 |
| 3.3 按时间先离散（Pre-discretized）方法 | 第24-29页 |
| 3.3.1 动态话题模型 | 第25-26页 |
| 3.3.2 连续动态话题模型 | 第26-27页 |
| 3.3.3 动态混合模型 | 第27-28页 |
| 3.3.4 图模型展示 | 第28页 |
| 3.3.5 在线LDA 模型 | 第28-29页 |
| 3.4 话题演化的评测方法 | 第29页 |
| 3.5 本章小结 | 第29-31页 |
| 第四章 基于LDA 和话题关联的话题演化模型 | 第31-52页 |
| 4.1 基于LDA 和话题关联的话题演化模型图结构 | 第31-32页 |
| 4.2 话题识别 | 第32-37页 |
| 4.2.1 话题定义 | 第32页 |
| 4.2.2 话题抽取 | 第32-37页 |
| 4.3 话题过滤 | 第37-45页 |
| 4.3.1 根据对应于话题的文档的数量进行过滤 | 第38-39页 |
| 4.3.2 根据话题在文集中比率进行过滤 | 第39-40页 |
| 4.3.3 根据显著性话题过滤 | 第40-45页 |
| 4.4 话题关联方法 | 第45-47页 |
| 4.4.1 话题在新词表上平滑 | 第45-46页 |
| 4.4.2 话题关联度计算 | 第46-47页 |
| 4.5 话题演化 | 第47-51页 |
| 4.5.1 话题关联方法的改进 | 第48-50页 |
| 4.5.2 话题过滤在话题演化中的使用 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 实验设计与结果分析 | 第52-70页 |
| 5.1 新闻演化模型流程图 | 第52-53页 |
| 5.2 语料搜集与预处理 | 第53-56页 |
| 5.2.1 语料搜集 | 第53页 |
| 5.2.2 文本预处理 | 第53-56页 |
| 5.3 与传统建模方式的比较 | 第56-58页 |
| 5.3.1 实验设计 | 第56-57页 |
| 5.3.2 实验结果与分析 | 第57-58页 |
| 5.4 话题演化模型实验 | 第58-69页 |
| 5.4.1 实验设计 | 第59页 |
| 5.4.2 实验对比方法 | 第59-60页 |
| 5.4.3 话题抽取结果对比 | 第60-61页 |
| 5.4.4 话题过滤的实验结果与分析 | 第61-62页 |
| 5.4.5 话题的关联实验结果与分析 | 第62-63页 |
| 5.4.6 演化实验结果与分析 | 第63-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文目录 | 第75-77页 |