| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 抽取式自动摘要研究现状 | 第10-12页 |
| 1.2.2 生成式自动摘要算法研究现状 | 第12-14页 |
| 1.3 本文研究思路 | 第14-15页 |
| 1.4 本文研究内容及结构安排 | 第15-16页 |
| 第2章 基于深度学习的单文档生成式摘要 | 第16-41页 |
| 2.1 引言 | 第16页 |
| 2.2 神经网络基本概念 | 第16-26页 |
| 2.2.1 词向量技术 | 第17-19页 |
| 2.2.2 循环神经网络以及其改进 | 第19-25页 |
| 2.2.3 批标准化技术 | 第25-26页 |
| 2.3 基于深度学习的自然语言生成相关技术 | 第26-33页 |
| 2.3.1 序列到序列框架(Seq2Seq) | 第26-29页 |
| 2.3.2 注意力机制(Attention Mechanism) | 第29-31页 |
| 2.3.3 指针网络(Pointer Networks) | 第31-32页 |
| 2.3.4 覆盖率机制(Coverage mechanism) | 第32页 |
| 2.3.5 集束搜索(Beam Search) | 第32-33页 |
| 2.4 实验设计与结果 | 第33-40页 |
| 2.4.1 数据集介绍 | 第33-35页 |
| 2.4.2 实验设计 | 第35页 |
| 2.4.3 实验结果 | 第35-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第3章 多文档生成式摘要技术研究 | 第41-60页 |
| 3.1 引言 | 第41页 |
| 3.2 传统多文档摘要方法 | 第41-46页 |
| 3.2.1 基于特征的方法 | 第42-43页 |
| 3.2.2 基于聚类的方法 | 第43-45页 |
| 3.2.3 基于图模型的算法 | 第45-46页 |
| 3.3 基于迁移学习的多文档生成式摘要 | 第46-54页 |
| 3.3.1 迁移学习简介 | 第46-47页 |
| 3.3.2 特征映射 | 第47-48页 |
| 3.3.3 微调(Fine-tuning) | 第48-49页 |
| 3.3.4 基于关键词的多文档生成式摘要研究 | 第49-52页 |
| 3.3.5 基于关键句的多文档生成式摘要研究 | 第52-54页 |
| 3.4 实验设计与结果 | 第54-58页 |
| 3.4.1 数据集介绍 | 第54-55页 |
| 3.4.2 实验设计与结果 | 第55-58页 |
| 3.5 本章小结 | 第58-60页 |
| 第4章 自动摘要系统的设计与实现 | 第60-65页 |
| 4.1 引言 | 第60页 |
| 4.2 摘要系统的总体框架和设计 | 第60-63页 |
| 4.2.1 总体框架 | 第60-61页 |
| 4.2.2 用户交互模块 | 第61页 |
| 4.2.3 文本分析模块 | 第61-62页 |
| 4.2.4 摘要生成模块 | 第62-63页 |
| 4.3 自动摘要系统功能展示 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71页 |
