基于关系的文本特征抽取和特征学习
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外的研究现状 | 第10-12页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 本文的研究内容和方法 | 第12-14页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 解决三个的关键问题和方法 | 第13-14页 |
| 1.3.3 本文内容框架 | 第14页 |
| 1.4 本章小结 | 第14-15页 |
| 第二章 基于关系的文本特征抽取和特征学习问题分析 | 第15-25页 |
| 2.1 传统检索模型的优劣 | 第15-17页 |
| 2.1.1 布尔模型 | 第15-16页 |
| 2.1.2 向量空间模型 | 第16-17页 |
| 2.1.3 概率模型 | 第17页 |
| 2.2 表示学习和文本特征 | 第17-21页 |
| 2.2.1 特征选择 | 第18页 |
| 2.2.2 特征变换 | 第18-20页 |
| 2.2.3 深度学习 | 第20-21页 |
| 2.3 词关联的经典算法 | 第21-23页 |
| 2.3.1 基于亲和性消息的算法 | 第21-22页 |
| 2.3.2 关联规则挖掘的基本算法 | 第22-23页 |
| 2.4 基于词关系的词激活力算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于词激活力的向量空间改进模型及分类 | 第25-33页 |
| 3.1 长文本的传统向量空间模型构建 | 第26-27页 |
| 3.1.1 特征抽取和权重计算 | 第26页 |
| 3.1.2 特征降维 | 第26-27页 |
| 3.1.3 构建向量空间模型 | 第27页 |
| 3.2 以词激活力为基础的活跃边特征 | 第27-30页 |
| 3.2.1 长文本特征的WAF值计算 | 第27-28页 |
| 3.2.2 提取活跃边特征 | 第28-29页 |
| 3.2.3 融合活跃边特征的向量空间改进模型 | 第29-30页 |
| 3.3 传统的文本分类模型 | 第30-31页 |
| 3.3.1 支持向量机分类器 | 第30-31页 |
| 3.3.2 贝叶斯分类器 | 第31页 |
| 3.4 生成模型进行分类 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 结构化数据关系特征抽取和表示模型 | 第33-38页 |
| 4.1 结构化数据抽取 | 第33-35页 |
| 4.2 基于结构化数据的特征建模 | 第35页 |
| 4.3 基于余弦相似度的实体聚类 | 第35-36页 |
| 4.4 本章小结 | 第36-38页 |
| 第五章 基于词关系的实体特征学习及聚类和分簇 | 第38-46页 |
| 5.1 基于词激活力算法的实体特征学习 | 第41-44页 |
| 5.1.1 亲和度值计算 | 第41-43页 |
| 5.1.2 基于亲和度的二次聚类 | 第43-44页 |
| 5.2 相似实体的聚类和分簇 | 第44页 |
| 5.3 本章小结 | 第44-46页 |
| 第六章 实验数据和性能分析 | 第46-60页 |
| 6.1 实验数据 | 第46-51页 |
| 6.1.1 长文本经典实验语料 | 第46-47页 |
| 6.1.2 校园实体搜索引擎 | 第47-51页 |
| 6.2 实验环境 | 第51页 |
| 6.3 实验数据分析 | 第51-59页 |
| 6.3.1 基于词激活力改进模型及分类 | 第51-55页 |
| 6.3.2 COSE实体特征抽取和学习 | 第55-59页 |
| 6.4 本章小结 | 第59-60页 |
| 第七章 总结与展望 | 第60-62页 |
| 7.1 工作总结 | 第60-61页 |
| 7.2 下一步研究工作 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 作者攻读学位期间发表的学术论文目录 | 第66页 |
