基于关键特征聚类的Top N热点话题检测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究内容的提出 | 第10-11页 |
| 1.3 研究意义 | 第11-12页 |
| 1.4 论文的主要研究工作 | 第12-13页 |
| 1.5 论文的组织形式 | 第13-16页 |
| 第2章 相关工作综述 | 第16-28页 |
| 2.1 话题检测与追踪 | 第16-20页 |
| 2.1.1 话题定义 | 第17-18页 |
| 2.1.2 新事件检测(NED) | 第18-19页 |
| 2.1.3 在线话题检测(OTD) | 第19页 |
| 2.1.4 层次话题检测(HTD) | 第19-20页 |
| 2.1.5 事件回顾检测(RED) | 第20页 |
| 2.2 关键词抽取 | 第20-24页 |
| 2.2.1 候选词选取 | 第21页 |
| 2.2.2 推荐关键词 | 第21-22页 |
| 2.2.3 TF-IDF算法 | 第22页 |
| 2.2.4 隐含狄利克雷分配（LDA）模型 | 第22-24页 |
| 2.3 命名实体识别 | 第24-27页 |
| 2.3.1 基于规则和字典的方法 | 第25页 |
| 2.3.2 基于统计的方法 | 第25-26页 |
| 2.3.3 混合方法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 单文档关键特征自动抽取算法 | 第28-37页 |
| 3.1 研究概述 | 第28-29页 |
| 3.2 关键特征抽取预处理 | 第29-30页 |
| 3.2.1 中文分词 | 第29页 |
| 3.2.2 词性标注 | 第29-30页 |
| 3.2.3 选取候选词 | 第30页 |
| 3.3 文档关键特征抽取 | 第30-36页 |
| 3.3.1 基于TF-IDF的关键特征抽取算法 | 第30-31页 |
| 3.3.2 基于LDA的关键特征抽取算法 | 第31-32页 |
| 3.3.3 基于TextRank关键特征抽取算法 | 第32-34页 |
| 3.3.4 基于等价路径替换的关键特征抽取算法 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 Top N热点话题检测方法 | 第37-51页 |
| 4.1 研究概述 | 第37-38页 |
| 4.2 基于文档关键特征的子话题聚类 | 第38-42页 |
| 4.2.1 话题定义 | 第38-39页 |
| 4.2.2 话题空间 | 第39-41页 |
| 4.2.3 子话题聚类 | 第41-42页 |
| 4.3 子话题关键特征抽取 | 第42-48页 |
| 4.3.1 前向匹配算法 | 第43-46页 |
| 4.3.2 后向匹配算法 | 第46-47页 |
| 4.3.3 双向匹配算法 | 第47-48页 |
| 4.4 Top N热点话题获取 | 第48-49页 |
| 4.4.1 错误话题消除 | 第48-49页 |
| 4.4.2 相似子话题归并 | 第49页 |
| 4.5 本章小结 | 第49-51页 |
| 第5章 实验系统原型设计与结果分析 | 第51-59页 |
| 5.1 实验环境 | 第51页 |
| 5.2 实验系统原型设计 | 第51-52页 |
| 5.3 实验结果分析 | 第52-58页 |
| 5.3.1 文档关键特征抽取算法 | 第53-55页 |
| 5.3.2 文档关键特征参数M | 第55-56页 |
| 5.3.3 本文算法与传统话题检测的对比 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第6章 结论 | 第59-62页 |
| 6.1 总结 | 第59-60页 |
| 6.2 创新点 | 第60-61页 |
| 6.3 展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间发表的论文与研究成果清单 | 第67-68页 |
| 致谢 | 第68页 |
