| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 相关研究及现状 | 第11-16页 |
| 1.2.1 短文本相似度研究现状 | 第11-14页 |
| 1.2.2 实体识别研究现状 | 第14-16页 |
| 1.3 研究内容及结构框架 | 第16-20页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 本文结构 | 第17-20页 |
| 第2章 相关算法介绍 | 第20-36页 |
| 2.1 词表示 | 第20-23页 |
| 2.1.1 离散表示(One-hot Representation) | 第20页 |
| 2.1.2 分布式表示(Distribution Representation) | 第20-23页 |
| 2.2 LDA模型 | 第23-26页 |
| 2.2.1 主题模型 | 第23页 |
| 2.2.2 LDA模型 | 第23-26页 |
| 2.3 粒子群算法 | 第26-29页 |
| 2.3.1 粒子群算法的原理简介 | 第26-27页 |
| 2.3.2 粒子群算法框架 | 第27-29页 |
| 2.4 数据爬取 | 第29-34页 |
| 2.4.1 网络爬虫原理介绍 | 第29-30页 |
| 2.4.2 网络矿工采集器使用简介 | 第30-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第3章 基于LDA的短文本相似度计算方法 | 第36-46页 |
| 3.1 引言 | 第36-37页 |
| 3.2 SST-LDA算法介绍 | 第37-42页 |
| 3.2.1 数据预处理 | 第37页 |
| 3.2.2 短文本表示模型 | 第37-41页 |
| 3.2.3 计算相似度 | 第41-42页 |
| 3.3 语料库构建 | 第42页 |
| 3.4 实验以及结果分析 | 第42-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于短文本语义距离度量的命名实体特征提取方法 | 第46-54页 |
| 4.1 引言 | 第46页 |
| 4.2 相关工作 | 第46-47页 |
| 4.3 NEFE-STSDM算法介绍 | 第47-50页 |
| 4.3.1 上下文语言模型 | 第47-49页 |
| 4.3.2 NEFE-STSDM算法计算流程 | 第49-50页 |
| 4.4 构建语料库 | 第50-51页 |
| 4.5 实验与结果讨论 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 融合领域相关度与上下文信息的窄域实体识别方法 | 第54-68页 |
| 5.1 引言 | 第54-55页 |
| 5.2 对数似然比 | 第55-57页 |
| 5.3 TF-IDF模型 | 第57-58页 |
| 5.4 DC-NER算法介绍 | 第58-62页 |
| 5.4.1 候选实体及上下文语料产生 | 第58-59页 |
| 5.4.2 实体识别 | 第59-62页 |
| 5.5 实验与结果讨论 | 第62-67页 |
| 5.5.1 DC-NER算法实体识别结果 | 第62-63页 |
| 5.5.2 对照组实验一 | 第63-66页 |
| 5.5.3 对照组实验二 | 第66-67页 |
| 5.6 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士期间发表的学术论文 | 第76-78页 |
| 致谢 | 第78-79页 |
