基于Dirichlet过程混合模型的话题识别与追踪
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 目录 | 第9-12页 |
| 图目 | 第12-14页 |
| 表目 | 第14-16页 |
| 第一章 绪论 | 第16-30页 |
| ·研究背景及意义 | 第16-18页 |
| ·TDT研究现状 | 第18-26页 |
| ·TDT评测会议 | 第18-20页 |
| ·TDT相关研究工作 | 第20-26页 |
| ·本文主要工作 | 第26-30页 |
| 第二章 基础知识 | 第30-47页 |
| ·TDT相关知识 | 第30-39页 |
| ·基本概念 | 第30-31页 |
| ·关键技术 | 第31-38页 |
| ·评价语料和指标 | 第38-39页 |
| ·狄利克雷过程 | 第39-43页 |
| ·狄利克雷过程的定义 | 第39-40页 |
| ·狄利克雷过程的描述方式 | 第40-43页 |
| ·Dirichlet过程混合模型 | 第43-46页 |
| ·模型描述 | 第43-44页 |
| ·参数推导方法 | 第44-46页 |
| ·总结 | 第46-47页 |
| 第三章 基于DPMM的话题识别 | 第47-74页 |
| ·任务描述 | 第47-48页 |
| ·基于DPMM的话题识别 | 第48-59页 |
| ·词-话题分布信息的获取 | 第49-53页 |
| ·Gibbs抽样 | 第49-50页 |
| ·考虑上下文 | 第50-53页 |
| ·词-话题分布信息到报道-话题信息的转化 | 第53-56页 |
| ·基于一元语言模型 | 第53页 |
| ·基于聚类策略 | 第53-56页 |
| ·识别结果融合 | 第56-59页 |
| ·基于DPMM的话题识别模型的算法流程 | 第59页 |
| ·实验及结果分析 | 第59-72页 |
| ·对比系统的实验 | 第61-65页 |
| ·基于一元语言模型转化方式的实验 | 第65-68页 |
| ·基于聚类策略转化方式的实验 | 第68-71页 |
| ·实验小结 | 第71-72页 |
| ·总结 | 第72-74页 |
| 第四章 基于DPMM的静态话题追踪 | 第74-92页 |
| ·任务描述 | 第74-75页 |
| ·基于DPMM的静态话题追踪 | 第75-82页 |
| ·模型描述 | 第76-77页 |
| ·改进Gibbs抽样过程 | 第77-79页 |
| ·算法流程 | 第79-80页 |
| ·追踪结果融合 | 第80-82页 |
| ·实验及结果分析 | 第82-90页 |
| ·投票策略的影响实验 | 第83-87页 |
| ·与对比系统的比较 | 第87-90页 |
| ·总结 | 第90-92页 |
| 第五章 基于DPMM的自适应话题追踪 | 第92-108页 |
| ·任务描述 | 第92-95页 |
| ·话题漂移问题 | 第93-94页 |
| ·话题偏离问题 | 第94-95页 |
| ·基于DPMM的自适应话题追踪 | 第95-99页 |
| ·模型描述 | 第95-96页 |
| ·算法流程 | 第96-99页 |
| ·实验及结果分析 | 第99-106页 |
| ·D_ATT的实验 | 第99-104页 |
| ·自适应技术的实验 | 第104-106页 |
| ·总结 | 第106-108页 |
| 第六章 话题识别与追踪系统 | 第108-119页 |
| ·应用场景 | 第108-109页 |
| ·系统方案设计框图 | 第109-112页 |
| ·话题层 | 第110-111页 |
| ·用户层 | 第111-112页 |
| ·系统的算法流程 | 第112-114页 |
| ·结果展示 | 第114-118页 |
| ·总结 | 第118-119页 |
| 第七章 总结与展望 | 第119-123页 |
| ·本文工作总结 | 第119-121页 |
| ·下一步研究展望 | 第121-123页 |
| 参考文献 | 第123-133页 |
| 致谢 | 第133-134页 |
| 攻读博士学位期间发表论文 | 第134页 |
