面向舆情监控的热点人物及事件分析技术
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 本文研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 人名识别及消歧 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 人名识别 | 第17-20页 |
| 2.2.1 基于词法分析工具的人名识别 | 第18-19页 |
| 2.2.2 融合多种词法分析结果的人名识别 | 第19页 |
| 2.2.3 人名识别的性能测试 | 第19-20页 |
| 2.3 噪声人名去除 | 第20-21页 |
| 2.3.1 基于模式匹配的噪声人名去除 | 第20-21页 |
| 2.3.2 基于词典的噪声人名去除 | 第21页 |
| 2.4 基于 LINGO 聚类算法的人名消歧 | 第21-24页 |
| 2.4.1 Lingo 聚类算法描述 | 第21-22页 |
| 2.4.2 人名消歧中的特征提取 | 第22-23页 |
| 2.4.3 人名消歧的过程 | 第23页 |
| 2.4.4 实验及结果分析 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于 SVM 的自动人物分类 | 第25-39页 |
| 3.1 引言 | 第25页 |
| 3.2 预处理 | 第25-28页 |
| 3.2.1 分词及去停用词 | 第25-26页 |
| 3.2.2 文本表示模型 | 第26-28页 |
| 3.3 人物分类中的特征提取技术 | 第28-33页 |
| 3.3.1 常用的特征选择技术 | 第28-31页 |
| 3.3.2 人物分类中的特征选择技术 | 第31-33页 |
| 3.4 人物分类算法描述 | 第33-36页 |
| 3.4.1 常用的文本分类算法 | 第33-35页 |
| 3.4.2 基于 SVM 的人物分类算法 | 第35-36页 |
| 3.5 实验结果及分析 | 第36-38页 |
| 3.5.1 数据集 | 第36-37页 |
| 3.5.2 评价方法 | 第37页 |
| 3.5.3 结果及分析 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 热点人物事件的倾向性分类 | 第39-46页 |
| 4.1 引言 | 第39页 |
| 4.2 倾向性分类中的特征提取技术 | 第39-41页 |
| 4.3 倾向性分类中的特征聚合和扩展技术 | 第41-43页 |
| 4.4. 实验结果及分析 | 第43-45页 |
| 4.4.1. 数据集及实验设置 | 第43页 |
| 4.4.2 评价方法 | 第43-44页 |
| 4.4.3 结果及分析 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 热点人物排序及事件分析流程设计 | 第46-56页 |
| 5.1 引言 | 第46页 |
| 5.2 热点人物排序模型 | 第46-49页 |
| 5.2.1 基于 KL 距离的人物趋势计算 | 第46-48页 |
| 5.2.2 模型描述 | 第48页 |
| 5.2.3 实验及结果分析 | 第48-49页 |
| 5.3 热点人物排序及事件分析流程 | 第49-52页 |
| 5.3.1 流程设计 | 第49-50页 |
| 5.3.2 关键技术与实现策略 | 第50-52页 |
| 5.4 实验系统展示 | 第52-54页 |
| 5.5 本章小结 | 第54-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的论文 | 第61-63页 |
| 致谢 | 第63页 |
