基于异构网络的微博新闻事件自动检测与摘要算法研究与实现
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 事件检测 | 第12-14页 |
| 1.2.2 事件摘要 | 第14-16页 |
| 1.3 本文的主要研究的内容和创新点 | 第16-17页 |
| 1.4 本章小节 | 第17-18页 |
| 第2章 事件检测与摘要相关技术 | 第18-26页 |
| 2.1 特征学习 | 第18-21页 |
| 2.1.1 特征提取 | 第18-19页 |
| 2.1.2 特征聚合 | 第19页 |
| 2.1.3 跨模态特征融合 | 第19-21页 |
| 2.2 事件检测相关算法 | 第21-24页 |
| 2.2.1 Twitter-LDA | 第21-22页 |
| 2.2.2 DBSCAN | 第22-24页 |
| 2.3 事件摘要相关算法 | 第24-25页 |
| 2.3.1 MEAD | 第24页 |
| 2.3.2 Sumbasic | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于异构网络的事件检测与摘要 | 第26-49页 |
| 3.1 整体框架描述 | 第26-28页 |
| 3.2 数据预处理 | 第28-31页 |
| 3.2.1 数据过滤 | 第28-29页 |
| 3.2.2 特征表示 | 第29-31页 |
| 3.3 异构网络生成 | 第31-37页 |
| 3.3.1 微博异构网络定义 | 第31-34页 |
| 3.3.2 跨模态特征融合 | 第34-37页 |
| 3.4 基于HRDBSCAN的子事件检测 | 第37-42页 |
| 3.4.1 异构网络概率模型 | 第37-39页 |
| 3.4.2 概率模型参数求解 | 第39-41页 |
| 3.4.3 融合话题新颖度的子话题排序 | 第41-42页 |
| 3.5 事件摘要生成 | 第42-47页 |
| 3.5.1 结合社交重要性的文本摘要 | 第42-46页 |
| 3.5.2 基于DivRank的图像摘要 | 第46-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 事件检测与摘要结果分析 | 第49-62页 |
| 4.1 子事件检测评估 | 第49-56页 |
| 4.1.1 实验数据收集和过滤 | 第49-50页 |
| 4.1.2 实验参考标准和评价标准 | 第50-51页 |
| 4.1.3 实验参数设置 | 第51-52页 |
| 4.1.4 实验结果分析 | 第52-56页 |
| 4.2 事件摘要性能评估 | 第56-60页 |
| 4.2.1 文本摘要评估 | 第56-58页 |
| 4.2.2 视觉摘要评估 | 第58-60页 |
| 4.3 系统整体性能分析 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第69页 |
