基于LDA主题模型的主观题自动评分算法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 论文组织安排 | 第14-15页 |
| 第2章 主观题自动评分相关理论 | 第15-22页 |
| 2.1 统计学的分析方法 | 第15页 |
| 2.2 自然语言处理 | 第15-18页 |
| 2.2.1 自然语言处理简介 | 第15-16页 |
| 2.2.2 自然语言处理方法论 | 第16-18页 |
| 2.3 文本预处理技术 | 第18-20页 |
| 2.3.1 中文分词技术 | 第18-19页 |
| 2.3.2 去停用词 | 第19-20页 |
| 2.4 文本向量空间模型 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 主题模型简介 | 第22-35页 |
| 3.1 LSI模型简介 | 第22页 |
| 3.2 PLSI模型简介 | 第22-23页 |
| 3.3 LDA主题模型 | 第23-26页 |
| 3.3.1 LDA主题模型简介 | 第23-24页 |
| 3.3.2 LDA主题模型思想 | 第24-26页 |
| 3.4 参数估计方法 | 第26-31页 |
| 3.4.1 矩法估计 | 第26-27页 |
| 3.4.2 极大似然估计 | 第27-29页 |
| 3.4.3 最大后验概率 | 第29-30页 |
| 3.4.4 贝叶斯估计 | 第30-31页 |
| 3.5 随机采样方法 | 第31-34页 |
| 3.5.1 Monte Carlo方法 | 第31-33页 |
| 3.5.2 Gibbs采样 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 基于LDA主题模型的主观题自动评分算法 | 第35-42页 |
| 4.1 背景和思想 | 第35页 |
| 4.2 算法流程 | 第35-36页 |
| 4.3 文本预处理 | 第36页 |
| 4.4 LDA模型训练 | 第36-39页 |
| 4.4.1 基于“词对”的文本改进 | 第37页 |
| 4.4.2 LDA模型改进 | 第37-39页 |
| 4.5 相似度计算 | 第39-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第5章 系统实现及结果分析 | 第42-48页 |
| 5.1 实验环境 | 第42页 |
| 5.2 系统功能模块设计 | 第42-43页 |
| 5.3 实验结果分析 | 第43-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第6章 总结与展望 | 第48-50页 |
| 6.1 全文总结与创新 | 第48页 |
| 6.2 工作展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 附录A 攻读硕士学位期间研究成果 | 第55页 |
