| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 相关工作研究现状 | 第11-13页 |
| 1.2.1 面向微博文本的事件抽取研究现状 | 第11-12页 |
| 1.2.2 基于降维的文本可视化方法的研究现状 | 第12-13页 |
| 1.2.3 主题模型和可视化技术联合学习方法研究现状 | 第13页 |
| 1.3 本文的研究动机 | 第13-14页 |
| 1.3.1 事件抽取和可视化之间的联系 | 第13-14页 |
| 1.3.2 事件抽取和可视化之间的差异 | 第14页 |
| 1.4 论文研究目标及内容 | 第14-15页 |
| 1.5 论文结构安排 | 第15-16页 |
| 第二章 理论知识及相关技术 | 第16-24页 |
| 2.1 面向微博文本的事件抽取框架 | 第16-18页 |
| 2.2 基于降维的文本可视化方法 | 第18-21页 |
| 2.2.1 随机领域嵌入算法 | 第18-19页 |
| 2.2.2 t-分布随机领域嵌入算法 | 第19-20页 |
| 2.2.3 参数嵌入算法 | 第20-21页 |
| 2.3 主题模型和可视化联合学习相关技术 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于LEEV模型的微博事件抽取和可视化 | 第24-34页 |
| 3.1 系统框架 | 第24-25页 |
| 3.2 LEEV模型 | 第25-29页 |
| 3.2.1 模型介绍 | 第25-26页 |
| 3.2.2 径向基网络 | 第26-27页 |
| 3.2.3 参数估计 | 第27-29页 |
| 3.3 实验结果与分析 | 第29-33页 |
| 3.3.1 实验设置 | 第29-30页 |
| 3.3.2 实验结果 | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于LEEV+R模型的微博事件抽取和可视化 | 第34-46页 |
| 4.1 改进动机 | 第34页 |
| 4.2 方法介绍 | 第34-38页 |
| 4.2.1 相似关系图的构建 | 第35-36页 |
| 4.2.2 正则化项的定义 | 第36-37页 |
| 4.2.3 参数估计 | 第37-38页 |
| 4.3 实验结果与分析 | 第38-45页 |
| 4.3.1 模型选择 | 第38-40页 |
| 4.3.2 结果比较 | 第40-44页 |
| 4.3.3 问题分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 工作总结 | 第46页 |
| 5.2 未来展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-54页 |
| 在校期间发表的学术论文 | 第54页 |