基于深度学习的多文档自动文摘研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 多文档自动文摘简介 | 第13-16页 |
| 1.3.1 文摘类型 | 第13-14页 |
| 1.3.2 通用多文档自动文摘算法概述 | 第14-15页 |
| 1.3.3 其他类型多文档自动文摘概述 | 第15页 |
| 1.3.4 自动文摘现存问题 | 第15-16页 |
| 1.4 深度学习简介及适用领域 | 第16-17页 |
| 1.5 本文的主要工作 | 第17-18页 |
| 1.6 本文的结构安排 | 第18-20页 |
| 第2章 文本数据处理相关理论和技术 | 第20-26页 |
| 2.1 数据集选择 | 第20-21页 |
| 2.1.1 多文档文摘领域的会议 | 第20-21页 |
| 2.1.2 数据集选择 | 第21页 |
| 2.2 多文档文摘需要的基础技术 | 第21-22页 |
| 2.3 句子特征表达 | 第22-25页 |
| 2.3.1 基于集合论的模型 | 第23页 |
| 2.3.2 基于代数论的模型 | 第23页 |
| 2.3.3 基于概率统计的模型 | 第23-24页 |
| 2.3.4 特征选择 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 使用multi-RBM网络进行特征重构 | 第26-36页 |
| 3.1 引言 | 第26页 |
| 3.2 RBM模型所需的基础技术 | 第26-29页 |
| 3.2.1 概率分布基础 | 第26-27页 |
| 3.2.2 马尔科夫链蒙特卡罗方法 | 第27-28页 |
| 3.2.3 Gibbs抽样方法 | 第28-29页 |
| 3.3 RBM模型 | 第29-32页 |
| 3.3.1 RBM简介 | 第29页 |
| 3.3.2 RBM算法原理 | 第29-30页 |
| 3.3.3 RBM学习策略 | 第30-32页 |
| 3.4 multi-RBM网络 | 第32-35页 |
| 3.4.1 多层RBM降维的意义 | 第32-33页 |
| 3.4.2 multi-RBM特征降维组件 | 第33-34页 |
| 3.4.3 使用开源软件设计multi-RBM | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 生成文摘集 | 第36-44页 |
| 4.1 研究现状 | 第36-37页 |
| 4.1.1 文摘与文档相关性方法 | 第36页 |
| 4.1.2 文摘冗余控制方法 | 第36-37页 |
| 4.1.3 文摘集合排序方法 | 第37页 |
| 4.2 监督型候选文摘产生 | 第37-40页 |
| 4.2.1 svm模型介绍 | 第38-39页 |
| 4.2.2 使用svm模型训练并得到候选文摘集合 | 第39-40页 |
| 4.3 增量式生成文摘集 | 第40-42页 |
| 4.3.1 MRMR | 第40页 |
| 4.3.2 MRMR与文摘选择 | 第40-41页 |
| 4.3.3 基于单位长度信息量的文摘生成方案 | 第41-42页 |
| 4.4 文摘句排序 | 第42-43页 |
| 4.5 本章总结 | 第43-44页 |
| 第5章 结果评测 | 第44-52页 |
| 5.1 内部评测与外部评测 | 第44页 |
| 5.1.2 内部评测方法 | 第44页 |
| 5.1.3 外部评测方法 | 第44页 |
| 5.2 自动评价工具选择 | 第44-45页 |
| 5.3 评测结果 | 第45-51页 |
| 5.3.1 候选文摘集评测 | 第45-47页 |
| 5.3.2 文摘集结果评测 | 第47-48页 |
| 5.3.3 使用ROUGE评测工具 | 第48-49页 |
| 5.3.4 对文摘顺序合理性评测 | 第49-51页 |
| 5.4 本章总结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 工作总结 | 第52-53页 |
| 6.2 研究展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简介及在学期间所取得的科研成果 | 第58-59页 |
| 致谢 | 第59页 |
