| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 本文主要研究工作 | 第10-11页 |
| 1.3 论文组织结构 | 第11-13页 |
| 第2章 相关工作综述 | 第13-21页 |
| 2.1 概述 | 第13-14页 |
| 2.2 词法分析 | 第14-15页 |
| 2.3 主题词标引 | 第15-17页 |
| 2.4 近义概念归并 | 第17-19页 |
| 2.5 本章小结 | 第19-21页 |
| 第3章 基于改进的最大匹配自动分词算法 | 第21-27页 |
| 3.1 概述 | 第21-22页 |
| 3.2 改进的最大匹配自动分词算法 | 第22-23页 |
| 3.2.1 词典的设计 | 第22页 |
| 3.2.2 改进后的最大匹配分词算法的实现 | 第22-23页 |
| 3.3 未登录词识别与处理 | 第23-26页 |
| 3.3.1 基于词典的共现串最长匹配的改进算法 | 第23-24页 |
| 3.3.2 基于统计学和汉语学规则的未登录词过滤算法 | 第24-26页 |
| 3.3.3 算法描述 | 第26页 |
| 3.4 本章小结 | 第26-27页 |
| 第4章 基于融合多方法的主题词标引算法 | 第27-31页 |
| 4.1 概述 | 第27页 |
| 4.2 基于词典的无效词快速过滤 | 第27-28页 |
| 4.3 基于词频和词长的主题词初始权值计算 | 第28-29页 |
| 4.4 基于位置的主题词权值加权 | 第29页 |
| 4.5 基于词跨度的主题词权值加权 | 第29-30页 |
| 4.6 词语总权值的计算方式 | 第30页 |
| 4.7 本章小结 | 第30-31页 |
| 第5章 基于Word2Vec的近义概念归并 | 第31-35页 |
| 5.1 概述 | 第31-32页 |
| 5.2 Word2Vec准备工作 | 第32页 |
| 5.3 近义概念的判定 | 第32-33页 |
| 5.4 近义概念的加权与合并 | 第33-34页 |
| 5.5 本章小结 | 第34-35页 |
| 第6章 实验分析与性能评测 | 第35-43页 |
| 6.1 实验环境及语料说明 | 第35页 |
| 6.1.1 实验环境 | 第35页 |
| 6.1.2 实验语料 | 第35页 |
| 6.2 自动分词算法评测 | 第35-37页 |
| 6.2.1 基于改进的最大匹配自动分词算法评测 | 第35-36页 |
| 6.2.2 未登录词识别算法评测 | 第36-37页 |
| 6.3 Word2Vec近义概念归并算法评测 | 第37-39页 |
| 6.3.1 Word2Vec训练 | 第37-38页 |
| 6.3.2 近义概念归并效果实验 | 第38-39页 |
| 6.3.3 实验结论 | 第39页 |
| 6.4 汉语自动标引算法评测分析 | 第39-42页 |
| 6.4.1 评测方法 | 第39-40页 |
| 6.4.2 数据准备 | 第40页 |
| 6.4.3 评测结果及分析 | 第40-42页 |
| 6.5 本章小结 | 第42-43页 |
| 第7章 自动标引算法在舆情监控中的应用 | 第43-47页 |
| 7.1 概述 | 第43页 |
| 7.2 系统总体设计 | 第43页 |
| 7.3 系统实现 | 第43-46页 |
| 7.4 舆情主题标引结果展示 | 第46页 |
| 7.5 本章小结 | 第46-47页 |
| 结论 | 第47-49页 |
| 参考文献 | 第49-54页 |
| 致谢 | 第54-55页 |
| 个人简历 | 第55页 |