| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 相关工作研究现状 | 第12-14页 |
| 1.2.1 主题的抽取和追踪 | 第12页 |
| 1.2.2 无监督的事件线抽取 | 第12-13页 |
| 1.2.3 神经网络在主题抽取和追踪中的应用 | 第13-14页 |
| 1.3 本文的研究动机 | 第14-15页 |
| 1.3.1 基于新闻文本的事件线抽取面临困难和挑战 | 第14页 |
| 1.3.2 有监督的方法存在的局限性 | 第14-15页 |
| 1.4 论文研究目标与内容 | 第15页 |
| 1.5 论文结构安排 | 第15-17页 |
| 第二章 理论知识及相关技术 | 第17-27页 |
| 2.1 理论知识 | 第17-25页 |
| 2.1.1 LDA主题模型 | 第17-19页 |
| 2.1.2 LightLDA主题模型 | 第19-21页 |
| 2.1.3 Dirichlet过程混合模型 | 第21-23页 |
| 2.1.4 神经网络主题模型 | 第23-25页 |
| 2.2 基于新闻文本的事件线抽取 | 第25-26页 |
| 2.2.1 基于聚类和命名实体熵的事件线抽取 | 第25-26页 |
| 2.2.2 基于递归中餐馆模型和LDA的事件线抽取 | 第26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于DSDM模型的新闻文本事件线抽取 | 第27-35页 |
| 3.1 出发点 | 第27页 |
| 3.2 DSDM模型 | 第27-30页 |
| 3.2.1 模型介绍 | 第27-29页 |
| 3.2.2 参数估计 | 第29-30页 |
| 3.2.3 后处理 | 第30页 |
| 3.3 实验结果与分析 | 第30-34页 |
| 3.3.1 实验设置 | 第30-31页 |
| 3.3.2 实验结果 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于DSEM模型的新闻文本事件线抽取 | 第35-45页 |
| 4.1 改进动机 | 第35页 |
| 4.2 DSEM模型 | 第35-40页 |
| 4.2.1 模型介绍 | 第35-38页 |
| 4.2.2 参数估计 | 第38-40页 |
| 4.3 实验 | 第40-44页 |
| 4.3.1 实验介绍 | 第40-41页 |
| 4.3.2 实验分析 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于Neural-DSEM的新闻文本事件线抽取 | 第45-50页 |
| 5.1 改进动机 | 第45页 |
| 5.2 Neural-DSEM模型 | 第45-48页 |
| 5.2.1 Neural-DSEM网络结构 | 第45-46页 |
| 5.2.2 构建事件线 | 第46-47页 |
| 5.2.3 训练过程 | 第47页 |
| 5.2.4 后处理 | 第47-48页 |
| 5.3 实验 | 第48-49页 |
| 5.3.1 实验介绍 | 第48页 |
| 5.3.2 实验分析 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 工作总结 | 第50-51页 |
| 6.2 未来展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 附录 | 第58页 |
