| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 主要符号索引 | 第10-12页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 选题背景及意义 | 第12-13页 |
| 1.2 相关研究综述 | 第13-19页 |
| 1.2.1 短文本主题模型综述和分析 | 第14-16页 |
| 1.2.2 短文本词义消歧综述 | 第16-19页 |
| 1.3 研究内容 | 第19页 |
| 1.4 组织结构 | 第19-22页 |
| 第二章 理论基础 | 第22-36页 |
| 2.1 BTM主题模型 | 第22-27页 |
| 2.1.1 BTM主题模型原理 | 第22-24页 |
| 2.1.2 BTM主题模型的参数估计 | 第24-26页 |
| 2.1.3 BTM主题模型的应用 | 第26-27页 |
| 2.2 word2vec词向量模型 | 第27-33页 |
| 2.2.1 word2vec模型原理 | 第27-28页 |
| 2.2.2 基于Hierarchical Softmax的训练模型和参数估计 | 第28-31页 |
| 2.2.3 基于Negative Sampling的模型和参数估计 | 第31-33页 |
| 2.3 本章小结 | 第33-36页 |
| 第三章 基于双词语义扩展的BTM主题模型 | 第36-50页 |
| 3.1 BTM主题模型的不足 | 第36-37页 |
| 3.2 改进算法介绍 | 第37-42页 |
| 3.2.1 融入词语义扩展的W-LDA | 第37-39页 |
| 3.2.2 EBW-BTM算法 | 第39-42页 |
| 3.3 EBW-BTM实验及结果分析 | 第42-48页 |
| 3.3.1 实验数据 | 第42页 |
| 3.3.2 word2vec训练标准 | 第42-43页 |
| 3.3.3 评价标准 | 第43-44页 |
| 3.3.4 对照试验以及结果分析 | 第44-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第四章 基于BTM主题模型的多义词词向量语义消歧 | 第50-68页 |
| 4.1 word2vec词向量的不足 | 第50-51页 |
| 4.2 Multi-word2vec多维词向量算法介绍 | 第51-57页 |
| 4.2.1 Multi-1算法原理 | 第52-55页 |
| 4.2.2 Multi-2算法原理 | 第55-57页 |
| 4.3 实验结果和分析 | 第57-66页 |
| 4.3.1 实验数据 | 第57-59页 |
| 4.3.2 定性评价 | 第59-61页 |
| 4.3.3 定量评价标准 | 第61-62页 |
| 4.3.4 定量评价 | 第62-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第五章 总结和展望 | 第68-70页 |
| 5.1 全文总结 | 第68-69页 |
| 5.2 研究展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 攻读硕士学位期间发表的论文 | 第78页 |
