论文内容的多层过滤方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 章节安排 | 第14-16页 |
| 第2章 相关技术概述 | 第16-30页 |
| 2.1 文本重要语句提取方法介绍 | 第16-18页 |
| 2.1.1 基于统计的重要语句提取方法 | 第16-17页 |
| 2.1.2 基于自然语言理解的重要语句提取方法 | 第17页 |
| 2.1.3 基于深度分析的信息抽取方法 | 第17-18页 |
| 2.1.4 各个技术优缺点对比 | 第18页 |
| 2.2 基于机器学习的分类算法介绍 | 第18-21页 |
| 2.2.1 机器学习本质 | 第18-20页 |
| 2.2.2 支持向量机原理 | 第20页 |
| 2.2.3 LIBSVM开发包介绍 | 第20-21页 |
| 2.3 语料库 | 第21-22页 |
| 2.4 语言预处理工具介绍 | 第22-24页 |
| 2.5 向量空间模型 | 第24-25页 |
| 2.6 评估标准 | 第25-26页 |
| 2.7 论文内容多层过滤框架 | 第26-28页 |
| 2.8 本章小结 | 第28-30页 |
| 第3章 基于SVM的重要语句提取模型设计 | 第30-48页 |
| 3.1 定义基本概念 | 第30页 |
| 3.2 论文文本分层处理 | 第30-34页 |
| 3.2.1 语句识别 | 第31页 |
| 3.2.2 语句信息统计及文章结构划分 | 第31-33页 |
| 3.2.3 论文文本按结构划分为多文档 | 第33-34页 |
| 3.3 重要语句统计规则 | 第34-38页 |
| 3.4 基于多规则的语句提取 | 第38-39页 |
| 3.5 文本重要语句提取模型 | 第39-41页 |
| 3.6 实验设计和分析 | 第41-46页 |
| 3.6.1 系统实现 | 第41-42页 |
| 3.6.2 实验分析 | 第42-46页 |
| 3.7 本章小结 | 第46-48页 |
| 第4章 面向冗余度控制的论文概要 | 第48-56页 |
| 4.1 冗余度控制模型 | 第48-49页 |
| 4.2 冗余度控制模型优化 | 第49-50页 |
| 4.3 实验设计和分析 | 第50-55页 |
| 4.3.1 实验数据和评价指标 | 第50-51页 |
| 4.3.2 实验设计和结果分析 | 第51-55页 |
| 4.4 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第64-66页 |
| 致谢 | 第66页 |
