基于多特征融合的图模型关键词提取方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 论文结构 | 第10-12页 |
| 第二章 相关文献综述 | 第12-26页 |
| 2.1 关键词提取问题定义 | 第12页 |
| 2.2 解决方案框架 | 第12-13页 |
| 2.3 候选关键词生成 | 第13-15页 |
| 2.4 特征定义 | 第15-18页 |
| 2.4.1 词特征 | 第15-17页 |
| 2.4.2 词间关系特征 | 第17页 |
| 2.4.3 主题特征 | 第17-18页 |
| 2.4.4 词向量 | 第18页 |
| 2.5 基于图的关键词提取方法分析 | 第18-23页 |
| 2.5.1 相关图方法介绍 | 第19-22页 |
| 2.5.2 图方法分析总结 | 第22-23页 |
| 2.6 数据集与实验评估 | 第23-24页 |
| 2.6.1 数据集 | 第23-24页 |
| 2.6.2 实验评估指标 | 第24页 |
| 2.7 本章小结 | 第24-26页 |
| 第三章 使用参数化模型学习特征权重的图方法 | 第26-38页 |
| 3.1 本章关键词提取步骤 | 第26-27页 |
| 3.2 参数化随机游走模型 | 第27-28页 |
| 3.2.1 多特征融合 | 第27-28页 |
| 3.2.2 目标函数定义 | 第28页 |
| 3.3 利用梯度下降求解优化问题 | 第28-29页 |
| 3.4 评分算法描述 | 第29-31页 |
| 3.5 实验对比 | 第31-37页 |
| 3.5.1 实验准备 | 第31-32页 |
| 3.5.2 特征提取 | 第32-33页 |
| 3.5.3 参数设置 | 第33-35页 |
| 3.5.4 实验结果分析 | 第35-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 融合词向量与显式特征的图方法 | 第38-49页 |
| 4.1 本章关键词提取步骤 | 第38页 |
| 4.2 词向量技术简述 | 第38-39页 |
| 4.3 本章使用的词向量 | 第39-42页 |
| 4.3.1 经典词向量Skip-gram | 第40页 |
| 4.3.2 维基百科词向量fastText | 第40-41页 |
| 4.3.3 主题词向量TWE-1 | 第41页 |
| 4.3.4 主题词向量STE | 第41-42页 |
| 4.4 词向量距离度量 | 第42-43页 |
| 4.5 使用词向量和图方法对单词评分 | 第43-44页 |
| 4.5.1 融合词向量计算词图的边权重 | 第43-44页 |
| 4.5.2 本章方法变种 | 第44页 |
| 4.6 实验对比 | 第44-48页 |
| 4.6.1 实验准备 | 第44-45页 |
| 4.6.2 参数设置 | 第45页 |
| 4.6.3 实验结果分析 | 第45-48页 |
| 4.7 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-59页 |
| 作者简介 | 第59页 |
