基于文本分类的话题跟踪及其一元语法模型的应用
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 1 引言 | 第7-14页 |
| ·课题的提出 | 第7页 |
| ·几个基本概念 | 第7-8页 |
| ·TDT的历史研究 | 第8-9页 |
| ·TDT研究任务以及主要技术 | 第9-13页 |
| ·新闻报道切分 | 第10页 |
| ·新事件识别 | 第10-11页 |
| ·报道关系识别 | 第11-12页 |
| ·话题识别 | 第12页 |
| ·话题跟踪 | 第12-13页 |
| ·论文各部分的主要内容 | 第13-14页 |
| 2 文本分类 | 第14-28页 |
| ·问题描述 | 第15-16页 |
| ·特征选择 | 第16-18页 |
| ·权重的计算 | 第18-19页 |
| ·分类算法 | 第19-24页 |
| ·简单向量距离分类法 | 第20页 |
| ·Rocchio算法 | 第20-21页 |
| ·贝叶斯算法 | 第21页 |
| ·K最近邻居算法 | 第21-22页 |
| ·支持向量机算法 | 第22-23页 |
| ·其他分类算法 | 第23-24页 |
| ·阈值的确定 | 第24-25页 |
| ·评估方法 | 第25-26页 |
| ·分类算法的实验比较 | 第26-28页 |
| 3 话题跟踪 | 第28-46页 |
| ·相关研究 | 第29-32页 |
| ·马萨诸塞大学的方法 | 第29-30页 |
| ·BBN公司的方法 | 第30页 |
| ·卡内基梅隆大学的方法 | 第30-32页 |
| ·话题跟踪的策略 | 第32-36页 |
| ·KNN与SVM并行结合 | 第33-34页 |
| ·KNN与SVM串行结合 | 第34-36页 |
| ·实验与结果讨论 | 第36-44页 |
| ·数据来源 | 第36-37页 |
| ·评价方法 | 第37-38页 |
| ·结果分析 | 第38-44页 |
| ·K最近邻居算法的实验 | 第39页 |
| ·支持向量机算法的实验 | 第39-41页 |
| ·KNN与SVM并行结合的实验 | 第41-42页 |
| ·KNN与SVM串行结合的实验 | 第42-44页 |
| ·小结 | 第44-46页 |
| 4 基于一元语法模型的话题跟踪 | 第46-55页 |
| ·一元语法模型 | 第46-48页 |
| ·基于一元语法模型的构造过程 | 第48-50页 |
| ·影响话题跟踪性能的几个因素 | 第50-51页 |
| ·实验及结果分析 | 第51-54页 |
| ·测试语料及评测方法 | 第51页 |
| ·实验结果 | 第51-54页 |
| ·平滑参数选取 | 第51-52页 |
| ·特征数目对话题跟踪性能的影响 | 第52-53页 |
| ·分词技术对话题跟踪性能的影响 | 第53-54页 |
| ·报道长度对话题跟踪性能的影响 | 第54页 |
| ·小结 | 第54-55页 |
| 5 总结 | 第55-56页 |
| ·全文小结 | 第55页 |
| ·进一步研究的展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-59页 |
