| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究现状 | 第9-13页 |
| 1.2.1 网络爬虫技术 | 第9-11页 |
| 1.2.2 文本挖掘技术 | 第11-12页 |
| 1.2.3 文本生成技术 | 第12-13页 |
| 1.3 本文主要工作 | 第13页 |
| 1.4 本文章节安排 | 第13-15页 |
| 2 相关理论工具及技术 | 第15-23页 |
| 2.1 浏览器自动测试工具Selenium | 第15-17页 |
| 2.2 Python数据处理工具 | 第17-19页 |
| 2.2.1 pandas数据分析工具 | 第17页 |
| 2.2.2 scikit-learn机器学习工具 | 第17-18页 |
| 2.2.3 Keras深度学习工具 | 第18-19页 |
| 2.3 相关机器学习技术 | 第19-22页 |
| 2.3.1 机器学习模型介绍 | 第19-20页 |
| 2.3.2 深度学习模型LSTM | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于Selenium的学位论文资源采集 | 第23-31页 |
| 3.1 基于Selenium的网络爬虫方法 | 第23-24页 |
| 3.2 学位论文资源的采集 | 第24-28页 |
| 3.2.1 论文基本信息的采集 | 第27-28页 |
| 3.2.2 论文致谢内容的采集 | 第28页 |
| 3.3 构建学位论文资源语料 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 学位论文致谢分析 | 第31-42页 |
| 4.1 学位论文致谢差异性对比分析 | 第31-36页 |
| 4.1.1 基于机器学习分类器的对比方法 | 第32-33页 |
| 4.1.2 不同学科学生论文致谢对比分析 | 第33-35页 |
| 4.1.3 不同时代学生论文致谢对比分析 | 第35-36页 |
| 4.2 学位论文致谢主题研究 | 第36-38页 |
| 4.3 基于学位论文致谢的校间合作关系研究 | 第38-41页 |
| 4.3.1 校间合作关系抽取 | 第39页 |
| 4.3.2 国内高校间合作关系可视化及分析 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 学位论文致谢生成研究 | 第42-50页 |
| 5.1 基于模板的学位论文致谢生成 | 第42-43页 |
| 5.2 基于聚类算法的学位论文致谢生成 | 第43-45页 |
| 5.2.1 论文致谢语句聚类 | 第43-44页 |
| 5.2.2 论文致谢生成 | 第44-45页 |
| 5.3 基于LSTM相关模型的学位论文致谢生成 | 第45-48页 |
| 5.3.1 基于LSTM模型的论文致谢生成 | 第45-46页 |
| 5.3.2 基于语义控制的LSTM模型的论文致谢生成 | 第46-48页 |
| 5.4 本章小结 | 第48-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表学术论文情况 | 第55-56页 |
| 致谢 | 第56-57页 |