基于新闻要素的在线新事件检测
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 引言 | 第10-17页 |
| ·课题背景 | 第10-11页 |
| ·基本概念 | 第11-12页 |
| ·研究现状 | 第12-14页 |
| ·研究意义 | 第14-15页 |
| ·研究内容及组织结构 | 第15-17页 |
| ·研究内容 | 第15页 |
| ·组织结构 | 第15-17页 |
| 第2章 新事件检测(NED)常用技术 | 第17-27页 |
| ·文本预处理 | 第17-18页 |
| ·文本表示模型 | 第18-21页 |
| ·布尔模型 | 第18-19页 |
| ·语言模型 | 第19-20页 |
| ·向量空间模型 | 第20页 |
| ·复合模型 | 第20-21页 |
| ·特征项提取 | 第21-22页 |
| ·特征项选择 | 第21页 |
| ·特征项加权 | 第21-22页 |
| ·文本相似度计算 | 第22-24页 |
| ·余弦相似度 | 第23页 |
| ·欧式距离 | 第23页 |
| ·广义Jaccard系数 | 第23页 |
| ·复合模型文档相似度 | 第23-24页 |
| ·相似度阈值 | 第24页 |
| ·类的表示 | 第24-25页 |
| ·基本NED算法 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于新闻要素的表示模型 | 第27-38页 |
| ·文本预处理 | 第27-29页 |
| ·基于新闻要素的表示模型 | 第29页 |
| ·报道模型的构建 | 第29-35页 |
| ·VT的构建 | 第29-30页 |
| ·VG的构建 | 第30-31页 |
| ·VP的构建 | 第31-34页 |
| ·VN的构建 | 第34-35页 |
| ·事件簇模板的更新 | 第35-37页 |
| ·基于类的质心的事件模型 | 第36-37页 |
| ·基于类代表对象的事件模型 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第4章 增量式在线新事件检测 | 第38-51页 |
| ·报道和事件模板相似度计算 | 第38-40页 |
| ·基于维基百科的同义消解 | 第38-39页 |
| ·名称部分与内容部分余弦相似度计算 | 第39页 |
| ·基于地理树的地名子向量相似度计算 | 第39-40页 |
| ·滑动时间窗口 | 第40-41页 |
| ·一般新事件检测(NED)算法 | 第41-43页 |
| ·一般新事件检测算法 | 第41-42页 |
| ·一般新事件检测算法的缺点 | 第42-43页 |
| ·基于SVM的新事件检测算法 | 第43-50页 |
| ·分类问题 | 第44页 |
| ·SVM介绍 | 第44-47页 |
| ·SVM在新事件检测中的应用 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 实验结果和分析 | 第51-63页 |
| ·语料 | 第51-53页 |
| ·话题检测与跟踪语料 | 第51页 |
| ·本文语料 | 第51-53页 |
| ·评测标准 | 第53-54页 |
| ·实验设计 | 第54-55页 |
| ·实验评估 | 第55-62页 |
| ·基准算法结果 | 第55页 |
| ·基于手动调节参数的方法 | 第55-57页 |
| ·报道表示向量大小对算法性能的影响 | 第57页 |
| ·事件质心的两种表示方法对算法性能的影响 | 第57-58页 |
| ·事件内容向量的大小对算法性能的影响 | 第58-59页 |
| ·滑动时间窗口大小对算法性能的影响 | 第59-60页 |
| ·基于SVM判别的新事件检测算法 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第6章 总结和展望 | 第63-65页 |
| ·总结 | 第63-64页 |
| ·展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻硕期间发表的学术论文 | 第70页 |
