跨领域中文微博消费意图识别方法的研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究內容 | 第10-11页 |
| 1.3 论文贡献 | 第11页 |
| 1.4 论文结构 | 第11-13页 |
| 第二章 相关研究 | 第13-23页 |
| 2.1 意图的探测和识别 | 第13-15页 |
| 2.1.1 搜索引擎下的意图 | 第13-14页 |
| 2.1.2 消费意图的探测以及识别 | 第14-15页 |
| 2.2 迁移学习 | 第15-17页 |
| 2.3 文本处理 | 第17-20页 |
| 2.3.1 文本的基础处理 | 第17-19页 |
| 2.3.2 文本处理的应用领域 | 第19-20页 |
| 2.4 语义距离 | 第20-22页 |
| 2.4.1 向量空间模型 | 第20-21页 |
| 2.4.2 语义距离计算 | 第21-22页 |
| 2.4.3 词向量 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 系统基础架构和基础工具 | 第23-32页 |
| 3.1 系统基础架构 | 第23-24页 |
| 3.2 系统基础性工作准备 | 第24-31页 |
| 3.2.1 微博的获取与处理 | 第24-26页 |
| 3.2.2 领域相关本体库的建立 | 第26-31页 |
| 3.3 工具介绍 | 第31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 跨领域微博意图识别的关键技术 | 第32-49页 |
| 4.1 跨领域的迁移学习 | 第32页 |
| 4.2 特征选择 | 第32-37页 |
| 4.2.1 特征选择算法 | 第32-34页 |
| 4.2.2 句法特征 | 第34-36页 |
| 4.2.3 微博特有特征 | 第36-37页 |
| 4.3 基于语义距离的迁移学习框架 | 第37-47页 |
| 4.3.1 EM算法 | 第37-38页 |
| 4.3.2 基于EM算法的迁移学习 | 第38-42页 |
| 4.3.3 文本语义距离计算方法 | 第42-44页 |
| 4.3.4 基于语义距离的迁移学习 | 第44-47页 |
| 4.4 基于语义距离的原始资料分类 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 实验方法与结果分析 | 第49-59页 |
| 5.1 实验介绍 | 第49-50页 |
| 5.1.1 实验语料 | 第49页 |
| 5.1.2 分类的评价标准 | 第49-50页 |
| 5.2 微博文本特征 | 第50-51页 |
| 5.3 消费意图识别的实验 | 第51-57页 |
| 5.4 基于语义距离删选无关微博的实验 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59页 |
| 6.2 讨论与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 攻读硕士学位期间已发表或录用的论文 | 第67-69页 |
