| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究内容 | 第10-11页 |
| 1.3 论文组织 | 第11-14页 |
| 2 微博短文本主题发现 | 第14-26页 |
| 2.1 研究背景 | 第14-15页 |
| 2.2 主题词发现介绍 | 第15页 |
| 2.3 基于TFIDF的主题词发现算法 | 第15-16页 |
| 2.4 基于LDA以及PageRank的主题词发现算法 | 第16-19页 |
| 2.4.1 LDA模型介绍 | 第17-18页 |
| 2.4.2 PageRank模型介绍 | 第18页 |
| 2.4.3 主题词发现算法 | 第18-19页 |
| 2.5 微博主题词发现系统设计 | 第19-21页 |
| 2.5.1 数据获取模块 | 第20页 |
| 2.5.2 主题词发现模块 | 第20-21页 |
| 2.5.3 前端展示模块 | 第21页 |
| 2.6 实验设计 | 第21-24页 |
| 2.6.1 基于TFIDF的主题词发现算法 | 第21页 |
| 2.6.2 基于LDA以及PageRank的主题词发现算法 | 第21-22页 |
| 2.6.3 实验结果分析 | 第22-24页 |
| 2.7 总结 | 第24-26页 |
| 3 slot实体在领域分类模型中的使用 | 第26-42页 |
| 3.1 研究背景 | 第26-27页 |
| 3.2 基于slot的分类算法介绍 | 第27-31页 |
| 3.2.1 条件随机场模型介绍 | 第28-29页 |
| 3.2.2 支持向量机模型介绍 | 第29-31页 |
| 3.3 基于generic slot tagger的分类模型 | 第31-38页 |
| 3.3.1 算法流程描述 | 第31-32页 |
| 3.3.2 算法时间分析 | 第32-33页 |
| 3.3.3 模拟实验 | 第33-34页 |
| 3.3.4 实验设计 | 第34-38页 |
| 3.3.5 实验结果分析 | 第38页 |
| 3.4 基于in-domain slot tagger的分类模型 | 第38-41页 |
| 3.4.1 算法流程描述 | 第38-39页 |
| 3.4.2 算法时间分析 | 第39-40页 |
| 3.4.3 实验设计 | 第40页 |
| 3.4.4 实验结果分析 | 第40-41页 |
| 3.5 总结 | 第41-42页 |
| 4 增量式学习在领域查询分类中的使用 | 第42-54页 |
| 4.1 研究背景 | 第42-43页 |
| 4.2 基于SVM的增量式学习算法 | 第43-45页 |
| 4.2.1 SVM原始问题介绍 | 第43-44页 |
| 4.2.2 SVM对偶问题介绍 | 第44-45页 |
| 4.2.3 SVM解法总结 | 第45页 |
| 4.3 增量式学习中的优化算法 | 第45-48页 |
| 4.3.1 坐标梯度下降优化算法 | 第46-47页 |
| 4.3.2 置信域牛顿优化算法 | 第47-48页 |
| 4.4 实验设计以及结果分析 | 第48-53页 |
| 4.4.1 non-incremental learning训练流程 | 第49页 |
| 4.4.2 incremental learning训练流程 | 第49-50页 |
| 4.4.3 实验设计 | 第50页 |
| 4.4.4 实验结果分析 | 第50-53页 |
| 4.5 总结 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 简历与科研成果 | 第58-59页 |
| 致谢 | 第59-60页 |
