中文微博观点摘要自动抽取研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-12页 |
| 1.1 研究背景与意义 | 第6-7页 |
| 1.2 研究现状与分析 | 第7-9页 |
| 1.3 研究难点 | 第9-10页 |
| 1.3.1 微博摘要和传统文档摘要的差异 | 第9页 |
| 1.3.2 标注语料的匮乏 | 第9-10页 |
| 1.4 本文的主要工作 | 第10页 |
| 1.5 本文的组织结构 | 第10-12页 |
| 2 理论背景与相关模型 | 第12-20页 |
| 2.1 微博观点摘要 | 第12页 |
| 2.1.1 基本概念 | 第12页 |
| 2.1.2 任务描述 | 第12页 |
| 2.2 基于TF-IDF的关键词抽取 | 第12-13页 |
| 2.3 语言模型 | 第13-15页 |
| 2.3.1 基于统计的语言模型 | 第13-14页 |
| 2.3.2 神经网络语言模型 | 第14-15页 |
| 2.4 词向量模型 | 第15-20页 |
| 2.4.1 独热(One-hot)表示法 | 第15-16页 |
| 2.4.2 分布式表示法 | 第16-20页 |
| 3 基于重要程度和冗余程度的观点摘要抽取 | 第20-36页 |
| 3.1 数据预处理 | 第20-22页 |
| 3.2 基于情感词典的观点性微博识别 | 第22-24页 |
| 3.3 微博重要性分数的计算 | 第24-26页 |
| 3.3.1 微博话题关键词抽取 | 第24-25页 |
| 3.3.2 微博重要性分数的计算 | 第25-26页 |
| 3.4 基于词向量的微博向量化表示及相似度计算 | 第26-28页 |
| 3.5 微博观点摘要的生成 | 第28-30页 |
| 3.6 实验与分析 | 第30-36页 |
| 3.6.1 实验数据 | 第30-32页 |
| 3.6.2 评价方法 | 第32-33页 |
| 3.6.3 实验结果及其分析 | 第33-36页 |
| 4 基于语义图优化算法的观点摘要抽取 | 第36-46页 |
| 4.1 模型构建 | 第36-37页 |
| 4.2 模型求解 | 第37-40页 |
| 4.3 实验结果与分析 | 第40-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 攻读硕士学位期间发表学术论文情况 | 第50-51页 |
| 致谢 | 第51-53页 |
