面向短文本的舆情本体概念抽取方法研究
摘要 | 第2-3页 |
abstract | 第3页 |
第一章 绪论 | 第6-10页 |
1.1 研究背景和意义 | 第6-7页 |
1.2 研究现状 | 第7-8页 |
1.2.1 话题的检测和跟踪的研究现状 | 第7页 |
1.2.2 本体概念抽取研究现状 | 第7-8页 |
1.2.3 短文本研究现状 | 第8页 |
1.3 本文主要工作 | 第8-9页 |
1.4 本文的组织结构 | 第9-10页 |
第二章 面向短文本的舆情本体概念抽取相关技术分析 | 第10-21页 |
2.1 本体理论概述 | 第10-13页 |
2.1.1 本体的定义 | 第10页 |
2.1.2 本体学习 | 第10-12页 |
2.1.3 概念获取方法 | 第12-13页 |
2.1.4 语义网 | 第13页 |
2.2 主题识别相关技术 | 第13-15页 |
2.2.1 关键词抽取技术 | 第13-14页 |
2.2.2 向量空间模型 | 第14-15页 |
2.3 中文分词特点 | 第15-16页 |
2.3.1 分词定义 | 第15页 |
2.3.2 分词的算法 | 第15-16页 |
2.4 特征表示 | 第16-18页 |
2.4.1 表示模型 | 第16页 |
2.4.2 抽取特征词的方法 | 第16-17页 |
2.4.3 基于语言学的领域本体概念获取方法 | 第17页 |
2.4.4 基于统计学的领域本体概念获取方法 | 第17-18页 |
2.5 短文本的研究 | 第18-20页 |
2.5.1 短文本的特点 | 第18-19页 |
2.5.2 短文本的应用 | 第19页 |
2.5.3 短文本的定义 | 第19-20页 |
2.5.4 短文本的分类 | 第20页 |
2.6 本章小结 | 第20-21页 |
第三章 面向短文本的舆情概念抽取 | 第21-29页 |
3.1 语料变化产生的问题 | 第21页 |
3.2 使用集合算法计算文本相关度 | 第21-22页 |
3.3 短文本长尾现象解决 | 第22-23页 |
3.4 舆情短文本语料库的特点 | 第23页 |
3.5 面向短文本的舆情本体概念的提取 | 第23-28页 |
3.5.1 抽取特征词 | 第25页 |
3.5.2 识别主题 | 第25-26页 |
3.5.3 提取候选概念 | 第26-27页 |
3.5.4 提取核心概念 | 第27-28页 |
3.5.5 合并重复的主题词 | 第28页 |
3.6 本章小结 | 第28-29页 |
第四章 实验过程与结果分析 | 第29-33页 |
4.1 实验过程 | 第29-30页 |
4.2 结果分析 | 第30-32页 |
4.3 本章小结 | 第32-33页 |
第五章 总结与展望 | 第33-35页 |
5.1 总结 | 第33页 |
5.2 展望 | 第33-35页 |
参考文献 | 第35-39页 |
攻读硕士学位期间取得的研究成果 | 第39-40页 |
致谢 | 第40-41页 |