面向对话文本的主题分割技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题背景及研究目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-16页 |
| 1.2.3 国内外研究现状简析 | 第16-17页 |
| 1.3 本文的研究内容及章节安排 | 第17-19页 |
| 第2章 基于主题模型的主题分割 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 基于说话人的主题分割模型 | 第19-21页 |
| 2.3 结构化的主题分割模型 | 第21-23页 |
| 2.4 改进的结构化主题分割模型 | 第23-25页 |
| 2.4.1 生成过程 | 第24页 |
| 2.4.2 推理 | 第24-25页 |
| 2.5 实验与分析 | 第25-31页 |
| 2.5.1 AMI会议语料 | 第25-27页 |
| 2.5.2 评价指标 | 第27-29页 |
| 2.5.3 实验数据与方法 | 第29页 |
| 2.5.4 实验结果及分析 | 第29-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第3章 基于支持向量机的主题分割 | 第33-43页 |
| 3.1 引言 | 第33页 |
| 3.2 支持向量机 | 第33-34页 |
| 3.3 融入词分布特征的支持向量机主题分割方法 | 第34-35页 |
| 3.4 改进特征的基于支持向量机主题分割方法 | 第35-38页 |
| 3.4.1 主题分布特征 | 第35-36页 |
| 3.4.2 词汇重复特征 | 第36-37页 |
| 3.4.3 线索短语特征 | 第37-38页 |
| 3.5 实验与分析 | 第38-41页 |
| 3.5.1 实验数据与方法 | 第38-39页 |
| 3.5.2 实验结果及分析 | 第39-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第4章 基于深度学习的主题分割 | 第43-56页 |
| 4.1 引言 | 第43页 |
| 4.2 深度学习简介 | 第43-45页 |
| 4.2.1 神经网络 | 第43-44页 |
| 4.2.2 深度学习 | 第44-45页 |
| 4.3 长短期记忆循环神经网络 | 第45-47页 |
| 4.4 基于长短期记忆循环神经网络的主题分割模型 | 第47-51页 |
| 4.4.1 模型介绍 | 第47-49页 |
| 4.4.2 词向量训练 | 第49页 |
| 4.4.3 句子反向输入 | 第49-50页 |
| 4.4.4 说话人向量表示 | 第50-51页 |
| 4.5 实验与分析 | 第51-54页 |
| 4.5.1 实验数据与方法 | 第51-52页 |
| 4.5.2 实验结果与分析 | 第52-54页 |
| 4.6 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-65页 |
| 攻读学位期间发表的学术论文 | 第65-67页 |
| 致谢 | 第67-68页 |
