基于中文微博的自动文摘研究
| 中文摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 微博的研究现状 | 第12-13页 |
| 1.2.2 LDA主题模型的自动文摘研究 | 第13-14页 |
| 1.2.3 微博的自动文摘研究 | 第14-15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 中文微博自动文摘的相关工作 | 第17-21页 |
| 2.1 自动文摘 | 第17-19页 |
| 2.1.1 自动文摘的分类 | 第17页 |
| 2.1.2 自动文摘的一般过程 | 第17-18页 |
| 2.1.3 自动文摘评价 | 第18-19页 |
| 2.2 微博的文本特性 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 微博数据的获取及预处理 | 第21-26页 |
| 3.1 实验语料的获取 | 第22-23页 |
| 3.2 语料的文本提取 | 第23页 |
| 3.3 中文分词 | 第23-24页 |
| 3.4 去停用词 | 第24-25页 |
| 3.5 本章小结 | 第25-26页 |
| 第4章 基于中文微博自动文摘的方法研究 | 第26-38页 |
| 4.1 中文微博文摘生成过程 | 第26页 |
| 4.2 基于向量空间模型的微博自动文摘方法 | 第26-29页 |
| 4.2.1 基于空间向量模型的TF-IDF | 第27-28页 |
| 4.2.2 改进的空间向量模型方法 | 第28-29页 |
| 4.3 基于LDA模型的微博自动文摘方法 | 第29-37页 |
| 4.3.1 基于LDA模型的微博分类 | 第30-31页 |
| 4.3.2 LDA主题模型参数推导 | 第31-37页 |
| 4.4 本章小结 | 第37-38页 |
| 第5章 微博文摘句的抽取及评价 | 第38-44页 |
| 5.1 语句的抽取 | 第38-40页 |
| 5.2 语句的压缩 | 第40页 |
| 5.3 实验结果与分析 | 第40-43页 |
| 5.4 本章小结 | 第43-44页 |
| 第6章 总结与展望 | 第44-46页 |
| 6.1 本文的工作总结 | 第44-45页 |
| 6.2 未来展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-51页 |
| 攻读学位期间发表的论文 | 第51页 |
