基于实时Twitter流的文本检索研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 社交文档流文本检索研究现状 | 第11-12页 |
| 1.2.2 深度学习研究现状 | 第12-13页 |
| 1.2.3 强化学习研究现状 | 第13-14页 |
| 1.3 本文的主要工作 | 第14页 |
| 1.4 本文的文章结构 | 第14-16页 |
| 第2章 相关算法基本原理 | 第16-31页 |
| 2.1 特征提取方法 | 第16-20页 |
| 2.1.1 One-Hot | 第16-17页 |
| 2.1.2 TF-IDF | 第17页 |
| 2.1.3 SVD | 第17-20页 |
| 2.1.4 Word2vec | 第20页 |
| 2.2 相似度量指标 | 第20-21页 |
| 2.2.1 余弦相似度 | 第21页 |
| 2.2.2 Jaccard系数 | 第21页 |
| 2.3 深度学习 | 第21-26页 |
| 2.3.1 深度学习理论基础 | 第22-24页 |
| 2.3.2 主要网络结构 | 第24-26页 |
| 2.4 强化学习 | 第26-30页 |
| 2.4.1 强化学习的组成部分 | 第27-28页 |
| 2.4.2 强化学习理论基础 | 第28-30页 |
| 2.5 深度强化学习 | 第30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于Twitter流的实时检索框架 | 第31-36页 |
| 3.1 检索框架 | 第31-32页 |
| 3.2 兴趣域介绍 | 第32页 |
| 3.3 兴趣域扩展 | 第32-33页 |
| 3.4 文本过滤 | 第33-34页 |
| 3.5 文本预处理 | 第34页 |
| 3.6 匹配模型 | 第34-35页 |
| 3.7 冗余过滤 | 第35页 |
| 3.8 本章小结 | 第35-36页 |
| 第4章 基于相似度量方法的匹配模型 | 第36-44页 |
| 4.1 相似度衡量指标 | 第36-37页 |
| 4.2 建模 | 第37-40页 |
| 4.2.1 基于数量的模型 | 第37-38页 |
| 4.2.2 相似度基于的模型 | 第38-39页 |
| 4.2.3 基于距离的模型 | 第39-40页 |
| 4.3 评估指标及实验结果 | 第40-42页 |
| 4.3.1 评估指标 | 第40-41页 |
| 4.3.2 实验结果 | 第41-42页 |
| 4.4 本章小结 | 第42-44页 |
| 第5章 基于深度强化学习的匹配模型 | 第44-60页 |
| 5.1 建模 | 第44-45页 |
| 5.1.1 深度强化学习模型 | 第44-45页 |
| 5.1.2 改进点 | 第45页 |
| 5.2 文本流动作设计 | 第45-46页 |
| 5.3 文本流状态设计 | 第46-47页 |
| 5.4 回报函数设计 | 第47-48页 |
| 5.5 Q-learning | 第48-50页 |
| 5.6 DQN算法模型 | 第50-56页 |
| 5.6.1 Double DQN算法 | 第51-52页 |
| 5.6.2 Dueling DQN算法 | 第52-54页 |
| 5.6.3 本文算法模型 | 第54-56页 |
| 5.7 实验 | 第56-59页 |
| 5.7.1 评价指标 | 第56-57页 |
| 5.7.2 模型训练 | 第57-58页 |
| 5.7.3 对比方法及结果 | 第58-59页 |
| 5.8 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望与进一步的工作 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 附录A 第四章模型详细评估结果 | 第65-67页 |
| 攻读学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
