| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 论文的组织架构 | 第14-15页 |
| 2 中文文本自动摘要的主要理论与技术 | 第15-24页 |
| 2.1 数据收集和预处理 | 第15-17页 |
| 2.1.1 数据收集 | 第15-16页 |
| 2.1.2 数据预处理 | 第16-17页 |
| 2.2 文本向量化表示 | 第17-19页 |
| 2.2.1 布尔模型 | 第18页 |
| 2.2.2 向量空间模型 | 第18页 |
| 2.2.3 主题模型 | 第18页 |
| 2.2.4 文本深度表示模型 | 第18-19页 |
| 2.3 文本聚类及摘要生成 | 第19-21页 |
| 2.4 自动摘要的评价方法 | 第21-23页 |
| 2.4.1 内部评价法 | 第21-22页 |
| 2.4.2 外部评价法 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 结合Doc2vec与改进聚类算法的中文单文档自动摘要方法研究 | 第24-39页 |
| 3.1 技术路线 | 第24-25页 |
| 3.2 数据收集和预处理 | 第25-27页 |
| 3.2.1 数据收集 | 第25-26页 |
| 3.2.2 数据预处理 | 第26-27页 |
| 3.3 基于Doc2vec的句子向量化表示方法 | 第27-30页 |
| 3.4 基于密度最大距离最远原则优化初始聚类中心的K-means聚类 | 第30-34页 |
| 3.4.1 相关定义 | 第31-32页 |
| 3.4.2 方法流程 | 第32-34页 |
| 3.5 基于最大信息熵的摘要句抽取 | 第34-35页 |
| 3.6 摘要评价及结果分析 | 第35-38页 |
| 3.7 本章小结 | 第38-39页 |
| 4 基于加权主题分布表达的微博多文档自动摘要方法研究 | 第39-59页 |
| 4.1 技术路线 | 第39-40页 |
| 4.2 数据收集和预处理 | 第40-43页 |
| 4.3 基于Word2vec的词向量训练 | 第43-50页 |
| 4.4 基于加权主题分布表达的微博文本向量化表示方法 | 第50-52页 |
| 4.4.1 相关定义 | 第50-51页 |
| 4.4.2 方法流程 | 第51-52页 |
| 4.5 微博文本向量聚类及摘要抽取 | 第52-54页 |
| 4.6 摘要评价及结果分析 | 第54-58页 |
| 4.7 本章小结 | 第58-59页 |
| 5 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67-68页 |
