基于增量学习的自适应话题追踪技术研究
| 目录 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第10-19页 |
| ·研究背景及意义 | 第10-12页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11-12页 |
| ·研究现状 | 第12-16页 |
| ·国外研究现状 | 第12-14页 |
| ·国内研究现状 | 第14-16页 |
| ·基本概念介绍 | 第16-17页 |
| ·话题追踪概述 | 第16页 |
| ·话题的概念 | 第16页 |
| ·事件的概念 | 第16页 |
| ·报道的概念 | 第16-17页 |
| ·主题的概念 | 第17页 |
| ·本文内容及结构 | 第17-19页 |
| ·本文主要工作 | 第17页 |
| ·文章结构安排 | 第17-19页 |
| 第二章 话题追踪相关技术 | 第19-29页 |
| ·话题追踪特点分析 | 第19页 |
| ·增量学习方法简介 | 第19-21页 |
| ·基于信息来源的反馈信息分类 | 第20-21页 |
| ·相关反馈简介 | 第20页 |
| ·伪反馈简介 | 第20页 |
| ·隐式反馈简介 | 第20-21页 |
| ·命名实体概述 | 第21页 |
| ·命名实体的概念 | 第21页 |
| ·命名实体抽取方法简介 | 第21页 |
| ·话题模型表示方法 | 第21-24页 |
| ·布尔模型简介 | 第21-22页 |
| ·语言模型简介 | 第22-23页 |
| ·向量空间模型简介 | 第23-24页 |
| ·文本分类方法概述 | 第24-29页 |
| ·Rocchio 文本分类算法 | 第24-25页 |
| ·K 近邻文本分类算法 | 第25-26页 |
| ·贝叶斯分类算法 | 第26页 |
| ·支持向量机分类算法 | 第26-29页 |
| 第三章 基于反馈报道的自适应话题追踪方法 | 第29-42页 |
| ·影响话题追踪的因素 | 第29-30页 |
| ·基于命名实体权重调整的向量空间模型 | 第30-31页 |
| ·基于切词系统的命名实体抽取方法 | 第30页 |
| ·基于命名实体的话题模型表示方法 | 第30-31页 |
| ·基于反馈报道的话题模型特征扩展 | 第31-32页 |
| ·特征扩展方法概述 | 第31页 |
| ·特征扩展的实现流程 | 第31-32页 |
| ·特征扩展的理论分析 | 第32页 |
| ·文本分类中的动态阈值设定 | 第32-33页 |
| ·动态阈值的设定公式 | 第33页 |
| ·阈值设定公式解析 | 第33页 |
| ·自适应话题追踪方法描述 | 第33-36页 |
| ·传统话题追踪的特点及流程 | 第33-34页 |
| ·自适应话题追踪的特点 | 第34-35页 |
| ·自适应话题追踪实现流程 | 第35-36页 |
| ·实验设计与结果分析 | 第36-41页 |
| ·实验设计 | 第36-37页 |
| ·实验环境及平台 | 第36页 |
| ·实验语料集 | 第36页 |
| ·实验评测指标 | 第36-37页 |
| ·具体实验方案 | 第37-39页 |
| ·话题模型表示方法实验设计与分析 | 第37-38页 |
| ·话题模型特征扩展方法实验设计与分析 | 第38页 |
| ·动态阈值设定方法实验设计与分析 | 第38-39页 |
| ·实验结果与分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 自适应话题追踪在舆情监测系统中的应用 | 第42-49页 |
| ·系统总体设计方案 | 第42-44页 |
| ·系统功能简介 | 第42页 |
| ·系统整体框架 | 第42-44页 |
| ·系统子模块简介 | 第44-48页 |
| ·信息采集模块实现流程 | 第44页 |
| ·话题检测模块实现流程 | 第44-45页 |
| ·热点话题追踪模块实现流程 | 第45-46页 |
| ·话题热度计算实现流程 | 第46-47页 |
| ·话题倾向性分析实现流程 | 第47页 |
| ·舆情呈现模块实现流程 | 第47-48页 |
| ·舆情系统的应用研究价值 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| ·所做主要工作 | 第49-50页 |
| ·研究展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 已发表学术论文 | 第54页 |
| 参加科研项目 | 第54-55页 |
| 致谢 | 第55页 |
