| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究的目的和意义 | 第13-14页 |
| 1.2 多文档自动文摘研究现状 | 第14-18页 |
| 1.2.1 国外的研究情况 | 第14-16页 |
| 1.2.2 国内的研究情况 | 第16-17页 |
| 1.2.3 多文档自动文摘句子评分算法 | 第17-18页 |
| 1.3 话题检测与跟踪技术研究现状 | 第18-19页 |
| 1.4 本文的研究工作 | 第19-20页 |
| 1.5 本文的组织结构 | 第20-21页 |
| 第二章 文本处理的关键技术 | 第21-35页 |
| 2.1 文本预处理 | 第21-22页 |
| 2.1.1 中文分词 | 第21-22页 |
| 2.1.2 过滤停用词 | 第22页 |
| 2.2 文本表示 | 第22-25页 |
| 2.2.1 向量空间模型 | 第22-23页 |
| 2.2.2 潜在语义索引(LSI)模型 | 第23-24页 |
| 2.2.3 概率潜在语义索引(PLSI)模型 | 第24-25页 |
| 2.3 文本特征选择 | 第25-27页 |
| 2.4 常见的几种文本聚类分类算法 | 第27-31页 |
| 2.4.1 分类算法 | 第27-28页 |
| 2.4.2 聚类算法 | 第28-31页 |
| 2.5 文本分类聚类的评价指标 | 第31-33页 |
| 2.5.1 文本分类的性能评价 | 第31-32页 |
| 2.5.2 文本聚类的性能评价 | 第32-33页 |
| 2.6 文本摘要的评价指标 | 第33-34页 |
| 2.7 本章总结 | 第34-35页 |
| 第三章 单事件新闻聚类系统 | 第35-49页 |
| 3.1 系统的总体设计思路 | 第35-36页 |
| 3.2 基于LDA模型的文本相似度计算 | 第36-45页 |
| 3.3.1 LDA模型介绍 | 第37-45页 |
| 3.3.2 基于LDA的文本相似度计算 | 第45页 |
| 3.3 基于LDA主题模型的文本分类和聚类 | 第45-48页 |
| 3.3.1 基于LDA主题模型的KNN新闻分类 | 第46-47页 |
| 3.3.2 基于LDA主题模型的Single-Pass文本聚类 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于LexRank的单事件多文档文摘 | 第49-61页 |
| 4.1 多文档文摘系统的总体设计思路 | 第49-51页 |
| 4.2 基于知网的向量空间模型 | 第51-53页 |
| 4.3 基于LexRank算法的句子权重计算 | 第53-58页 |
| 4.3.1 起源-PageRank算法 | 第53-54页 |
| 4.3.2 LexRank算法介绍 | 第54-57页 |
| 4.3.3 基于句子多特征与LexRank算法相融合的句子权重计算 | 第57-58页 |
| 4.4 文摘抽取 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 实验结果分析 | 第61-69页 |
| 5.1 实验语料选择 | 第61页 |
| 5.2 实验环境 | 第61页 |
| 5.3 文本分类聚类实验 | 第61-64页 |
| 5.3.1 基于LDA模型的KNN算法实验结果分析 | 第61-63页 |
| 5.3.2 基于LDA模型的Single-Pass聚类实验结果分析 | 第63-64页 |
| 5.4 多文档文摘实验结果分析 | 第64-69页 |
| 5.4.1 多文档文摘系统演示 | 第64-66页 |
| 5.4.2 摘要生成结果及分析 | 第66-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 论文工作总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 硕士在读期间科研成果介绍 | 第74-75页 |
| 致谢 | 第75页 |
